Unsupervised semantic-aware adaptive feature fusion network for arrhythmia detection

模式识别(心理学) 机器学习 特征(语言学) 特征提取 特征选择 融合 聚类分析 分类器(UML) 数据挖掘
作者
Panpan Feng,Jie Fu,Zhaoyang Ge,Haiyan Wang,Yanjie Zhou,Bing Zhou,Zongmin Wang
出处
期刊:Information Sciences [Elsevier]
卷期号:582: 509-528 被引量:2
标识
DOI:10.1016/j.ins.2021.09.046
摘要

Abstract An electrocardiogram (ECG) consists of complex P-QRS-T waves. Detecting long-term ECG recordings is time-consuming and error-prone for cardiologists . Deep neural networks (DNNs) can learn deep representations and empower automatic arrhythmia detection. However, when applying DNNs in practice, they usually suffer from domain shift that exits between the training data and testing data. Such shift can be caused by the high variability contained in ECG signals between patients and internal-variability of heartbeats for same patients, leading to degrading performance and impeding generalization of DNNs. To tackle this problem, we propose an unsupervised semantic-aware adaptive feature fusion network (USAFFN) to reduce such shift by alleviating the semantic distribution discrepancy between the feature spaces of two domains. Furthermore, an ECG contains rich information from different angles (beat, rhythm, and frequency levels), which is essential for arrhythmia detection. Therefore, a multi-perspective adaptive feature fusion (MPAFF) module is introduced to extract informative ECG representations. The experimental results show that the detection performance of our approach is highly competitive with the upper bound of alternative methods on the ARDB, and the generalization is confirmed on the INCART and LTDB.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
无私夜雪完成签到,获得积分20
1秒前
1秒前
shinkai发布了新的文献求助10
2秒前
2秒前
pigeonKimi完成签到,获得积分10
3秒前
十三月的过客完成签到,获得积分10
4秒前
在水一方应助京京采纳,获得10
4秒前
5秒前
丘比特应助pigeonKimi采纳,获得10
6秒前
wjwless发布了新的文献求助10
8秒前
海城好人发布了新的文献求助50
8秒前
徐子扬发布了新的文献求助10
8秒前
Duan发布了新的文献求助20
10秒前
10秒前
媛媛发布了新的文献求助10
11秒前
大模型应助zym采纳,获得10
11秒前
12秒前
共享精神应助DKL采纳,获得10
12秒前
13秒前
论文顺利发布了新的文献求助10
14秒前
LYDZ2发布了新的文献求助10
14秒前
zhuang发布了新的文献求助10
15秒前
荀语山发布了新的文献求助10
15秒前
负责的莫茗完成签到,获得积分10
15秒前
斯文败类应助热情的闭月采纳,获得10
15秒前
大喵发布了新的文献求助10
15秒前
16秒前
17秒前
18秒前
18秒前
wjwless完成签到,获得积分10
18秒前
shinkai完成签到,获得积分10
19秒前
tonyguo完成签到,获得积分10
19秒前
20秒前
20秒前
20秒前
21秒前
呀12345发布了新的文献求助10
22秒前
23秒前
无尤发布了新的文献求助20
24秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256065
求助须知:如何正确求助?哪些是违规求助? 2898207
关于积分的说明 8300363
捐赠科研通 2567343
什么是DOI,文献DOI怎么找? 1394475
科研通“疑难数据库(出版商)”最低求助积分说明 652817
邀请新用户注册赠送积分活动 630501