Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Transformer точнее классифицирует ЭКГ, когда вход сохраняет структуру сердечного цикла. В препринте Jiawei Li и соавторов, который не прошёл рецензирование и приводит замеры самих авторов, средний макро-AUC вырос с 0,823 до 0,891; эта метрика усредняет площадь под кривой качества по всем диагнозам. Такая замена позволяет улучшить классификатор без дополнительных слоёв и параметров.
В работе сравнили восемь способов токенизации на четырёх архитектурах: Transformer, Informer, Reformer и FEDformer. Обычные варианты превращали в токен отдельный отсчёт сигнала или окно фиксированной длины, которое могло разрезать связный фрагмент сердечного цикла. HeartLang выделял отдельное сокращение в каждом отведении, а Median beat собирал типичное многоканальное сокращение по медиане нескольких ударов.
Чтобы отделить влияние токенов от самой модели, исследователи оставили одинаковыми входную проекцию и основные параметры архитектур. Физиологические представления сократили среднюю последовательность с 1 250 до 158 токенов, а пиковую память при обучении — на 94,8%, до 0,27 ГБ. Сокращение последовательности не гарантировало ускорения: для Median beat одна подготовка токенов занимала 3,81 мс на ЭКГ и определяла почти всю задержку.
Проверка охватывала один набор CPSC2018 с девятью диагностическими метками и записи, приведённые к единому формату. Лучшая связка Reformer с HeartLang получила макро-AUC 0,932, но свёрточная сеть и двунаправленная LSTM остались выше — 0,958–0,961. Результат поэтому обосновывает замену токенизатора в существующем ECG Transformer, но не показывает, что такая архитектура уже стала лучшим классификатором ЭКГ.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
