【论文阅读】

qq_39019359

已于 2022-08-16 15:50:03 修改

阅读量777

点赞数

分类专栏：实验文章标签：机器学习人工智能

于 2022-08-16 13:57:29 首次发布

本文链接：https://blog.csdn.net/qq_39019359/article/details/126363564

版权

这篇博客介绍了如何在异常检测中加入危急值判定，特别是在心电图（ECG）监测中。文章讨论了联合学习（Federated Learning）在保护隐私的同时训练模型，以及迁移学习在医疗数据中的应用。作者还概述了《Designing ECG Monitoring Healthcare System with Federated Transfer Learning and Explainable AI》论文的主要观点，并分享了一个基于GitHub的实验，该实验尝试通过自适应注意力层冻结（AALF）优化联邦学习环境中的模型训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

实验：在原异常检测中加入危急值判定(正在调试中)

遇到以下三种情况也要判定为“异常”

严重快速性心律失常

量化：
1.出现VF and VFib；
2.心率>=150且持续时长>=30s;
3.Anormal 且心率>=200;
4.len([r:r+1])长度<=250ms

严重缓慢性心律失常

量化
1.心率<=35bpm;
2.len([r:r+1])长于平均RR间期，且时长大于3秒
3.出现R on T 室性早搏

数据集

加入心肌梗塞的心电数据集，对原模型进行开放集识别验证
在这里插入图片描述

论文阅读《Designing ECG Monitoring Healthcare System with Federated Transfer Learning and Explainable AI》（2021年）

在这里插入图片描述

物联网设备能够每天收集大量数据。这种数据收集和成倍增长的计算资源开启了信息技术领域的新领域，特别是深度学习。虽然深度学习是一个常用概念，但由于过去可用的数据和计算资源有限，其使用受到限制。然而，由于互联网、物联网设备和不断增长的计算能力，如今我们可以看到深度学习几乎在每个领域都发生了革命性的变化，包括医疗、经济、农业和军事。在医疗保健应用程序方面，全球各地都在生成大量数据，这些数据具有独特的特性。大多数与医疗保健相关的数据都是多维的，这使得使用经典机器学习（ML）模型（例如决策树和随机森林）变得富有挑战性和复杂。然而，新一代机器学习模型，特别是基于深度学习的模型，由于其自学习能力，可以解决与多维数据相关的问题。在医疗保健行业，深度学习发挥了关键作用，例如帮助诊断威胁生命的疾病。
首先，要训练深度学习模型，需要大量的训练数据，但每个竖井（例如，医院）的数据量非常有限，