Publicación:

Aprendizaje contrastivo para la detección de fibrilación auricular en escenarios desafiantes

Resumen

En las aplicaciones de salud, el reentrenamiento de los modelos para los nuevos usuarios suele requerir la recopilación de muchos datos etiquetados, lo que resulta difícil y costoso en este tipo de aplicaciones, como la detección de la fibrilación auricular. Las técnicas no supervisadas y autosupervisadas han surgido como métodos prometedores para hacer frente a la escasez de datos etiquetados. El aprendizaje contrastivo es una técnica reciente que pretende mejorar la precisión del modelo mediante un proceso de preentrenamiento con datos no etiquetados. En este trabajo, proponemos la implementación del aprendizaje contrastivo para mejorar el rendimiento de una CNN que clasifica la fibrilación auricular en escenarios con pocos datos etiquetados, modelos pequeños y datos ruidosos. La estrategia fue evaluada con la mayor base de datos públicos de señales ECG. Presentamos resultados relativos a la métrica F1 para una cantidad diferente de datos no etiquetados y diferentes tamaños de modelos. Nuestros resultados sugieren que la estrategia supera a la estrategia de referencia hasta un 30% de la métrica F1 media en interaciones de 10 repeticiones.