English(EN) Patient-Aware Contrastive Learning Preserves Per-Patient Structure in RR-Interval Representations

新AI方法保留患者结构，以实现更好的生理信号泛化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-22 16:35

研究人员开发了一种新颖的患者感知对比学习方法，旨在提高生理信号模型训练的泛化能力。该方法专门解决了个体患者内部不同的基线模式带来的挑战，这些模式会阻碍模型在未见过个体上的性能。通过仅将同患者、同类别的片段形成正例对，该方法在区分类别时保留了患者的个体差异。该技术在IRIDIA-AF数据集上展示了优越的患者结构保留能力，并实现了0.989的高患者独立接收者操作特征曲线下面积（AUROC），突显了跨患者稳健泛化能力对每位被试几何一致性的重要性。 AI

影响增强了生理信号分析AI模型的泛化能力，可能提高房颤等疾病的诊断准确性。

排序理由详细介绍一种新机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Chathuranga Hettiarachchi · 2026-06-22 16:35

Patient-Aware Contrastive Learning Preserves Per-Patient Structure in RR-Interval Representations

Contrastive representation learning struggles on physiological signals when each subject contributes a distinct baseline pattern. If class differences overlap with subject differences,class-level objectives such as supervised contrastive learning tend to merge per-subject structu…

报道来源 [1]

Patient-Aware Contrastive Learning Preserves Per-Patient Structure in RR-Interval Representations

相关实体

相关话题