文章阅读：Generalizable Beat-by-Beat Arrhythmia Detection by Using Weakly Supervised Deep Learning

文章来源：https://www.frontiersin.org/articles/10.3389/fphys.2022.850951/full

摘要：

动态心电图（ECG）监测中的逐搏心律失常检测对于心律失常的评估和预后至关重要，然而，这是一项要求高度专业且耗时的任务。由于缺乏用于模型训练的大样本和精细注释的ECG数据（为每个心跳提供标签），当前用于自动逐拍心律失常检测的方法具有较差的泛化能力。在这项工作中，我们提出了一种用于心律失常检测的弱监督深度学习框架（WSDL-AD），该框架允许使用大量粗略注释的ECG数据（为每个记录提供标签）来训练细粒度（逐拍）心律失常检测器，以提高泛化能力。在这个框架中，心跳分类和记录分类被集成到一个深度神经网络中，用于只使用记录标签的端到端训练。为了提高弱监督下心跳分类的准确性和稳定性，提出了几种技术，包括基于知识的特征、掩蔽聚合和有监督的预训练。开发的WSDL-AD模型用于在五个大样本和粗略注释的数据集上检测心室异位搏动（VEB）和室上异位搏动（SVEB），并根据医学仪器协会（AAMI）的建议，在三个独立基准上评估模型性能。实验结果表明，与最先进的监督学习方法相比，我们的方法在基准上提高了心室上异位搏动检测的F1分数8%–290%，心室异位搏动检测F1分数4%–11%。它证明了WSDL-AD框架可以利用丰富的粗标记数据来实现比先前方法更好的泛化能力，同时保持精细的检测粒度。因此，该框架在临床和远程医疗应用中具有巨大的潜力。源代码位于https://github.com/sdnjly/WSDL-AD。

1. 介绍：

（1）由于监测心律失常的老技术泛化能力差，无法取代医生进行诊断，因此，迫切需要用于普遍检测心律失常的新技术。

（2）逐拍心律失常检测对于分析动态心电图至关重要，它可以确定每个心跳的心律类型。细粒度的逐拍心律类型可以进一步用于识别一些复杂的心律失常模式，例如室性/房性心动过速、双跳和三连跳。

（3）目前，节拍识别技术的最先进方法通常基于机器学习（ML），如图1A所示。分类器通常是在监督学习方法下进行训练的，其中每个训练心跳都用相应的节律类型进行注释。根据训练和测试集的拆分方式，分类器可以进一步分为两种类型：1.患者内分类器，其训练和测试数据来自同一组患者。2.患者间分类器，其训练和测试数据来自不重叠的患者人群。患者内分类器通常比患者间分类器表现更好，但开发具有良好泛化能力的模型更具挑战性。

图1 | 用于心律失常检测的不同机器学习方法的比较。 (A) 监督学习（SL）方法用于心跳/段分类，其使用细粒度注释进行模型训练，并实现细粒度预测。 (B) SL方法用于ECG记录分类，其使用粗粒度标签作为监督，并实现粗粒度预测。（C）弱监督学习（WSL）方法用于逐拍分类，其使用粗略的记录标签进行模型训练，但实现了细粒度的预测。 N = 正常或束支传导阻滞节拍。 SVEB = 心房异位搏动。 VEB = 室性异位搏动。

（4）当前方法的泛化能力差的一个关键原因是训练数据来自于一个小的人群。由于训练数据仅反映了少数人的特征，因此模型很难学习适用于一般人群数据的区分特征。机器学习用于心律失常检测的另一个挑战是类别不平衡，其中正常窦性心律样本在数据集中往往占主导地位。一些策略已经被提出来解决这个问题。例如，Lu等人使用了focal loss来解决ECG分类中的类别不平衡问题。

（5）无监督和半监督做的人不少了。

（6）本研究探讨了一种新的学习方法，即弱监督学习（WSL），以改善逐拍心律失常检测器的泛化能力。与以往利用未标记样本或合成新样本的方法不同，WSL方法尝试使用通常更容易获取的不完整、不准确或不精确的标注来训练模型。在心电图分类领域，存在大量用粗粒度标签（即一个记录（通常为几秒到几十秒）被整体标记）注释的心电数据集，这些数据集通常用于训练记录分类器，判断ECG记录中是否存在某些异常，如图1B所示。尽管这些记录标签未标注数据集中个别心跳的节律类型，但它们指示了记录中未知心跳子集的节律类型，从而为模型训练提供了一种弱监督形式。

（7）应用WSL到逐拍心律失常检测需要解决几个问题。首先，个别心跳的目标标签与其记录标签之间的映射关系是什么？在本研究中，像PhysioNet/CinC Challenge 2020数据集中的记录标签清楚地反映了记录中SVEB或VEB的存在，这对成功应用WSL至关重要。其次，如何构建一种可在记录标签监督下进行训练的逐拍分类器？由于真实的心跳标签不可用，需要一种机制来根据真实的记录标签和心跳标签与记录标签之间的映射关系指导心跳分类器的优化。***（这地方没读懂）***最后，如何解决约束条件可以由心跳节律的不同假设满足的不适定问题？不适定问题通常出现在两种类型的样本经常同时出现的情况下（Choe等，2020）。例如，SVEB和窦性心跳通常交替出现，并具有类似的波形，这可能会使分类器在区分这两种心跳时感到困惑，因为交换它们的类别也可以映射到相同的记录标签。因此，必须解决不适定问题，以确保心跳分类器的稳定性。

（7）在这项研究中，我们提出了一种基于深度学习的WSL（弱监督学习）框架，用于逐拍心律失常检测（WSDL-AD），如图1C所示，该框架可以以端到端的方式仅使用粗略的记录级标签进行训练。在此框架中，模型首先针对每个心跳进行本地预测，然后通过聚合机制将心跳预测映射到记录标签的预测值。该模型可以通过梯度下降进行优化，其中记录预测的梯度经过聚合层反向传播以计算心跳预测的梯度。因此，心跳分类器可以根据粗略的记录标签进行优化。为了解决不适当的问题，我们设计了一个两阶段训练策略：一个使用少量心跳标签的监督预训练阶段，和一个使用大量记录标签的弱监督训练阶段。此外，我们在WSDL-AD框架中引入了一些技术来增强模型性能。1）为了帮助模型利用上下文信息，我们提出了两个基于知识的特征，即相对RR间期和RR熵。2）考虑到心跳长度不同且时间分布不均匀，我们提出了一个屏蔽聚合机制，可以选择每个心跳的代表性预测结果进行聚合，而无需将ECG信号拆分为心跳段。

2. 数据和模型：

2.1 数据集：

本研究中，我们使用了多个粗略注释和精细注释的数据集。

粗命名数据集来自PhysioNet/CinC挑战2020/2021，包括两个中国生理信号挑战数据集（CPSC和CPSC-Extra）、Physikalisch Technische Bundesanstalt扩展（PTB-XL）数据集、格鲁吉亚12导联心电图挑战数据集和查普曼大学，绍兴市人民医院和宁波市第一医院数据库（Chapman绍兴-宁波）。使用的精细注释数据集包括MIT-BIH心律失常数据库，彼得堡INCART心律失常数据库（INCART）。

2.2 WSDL-AD框架概述：

我们提出了用于逐拍心律失常检测的WSDL-AD框架，如图2所示。框架被输入可变长度的ECG信号。首先对输入信号进行预处理，以统一信号配置（例如采样率和幅度）并消除噪声。然后，分别通过残差卷积神经网络（ResNet）和基于领域知识的方法从信号中提取特征图。基于这些特征，该框架以采样点的粒度进行局部预测。然后，通过选择R峰值处的预测来获得每个心跳的预测节律。最后，将节拍水平预测聚合到全局预测中，从而可以根据全局注释计算预测的损失值，以使模型能够端到端地训练。

图2 用于心律失常检测的弱监督深度学习框架（WSDL-AD）的示意图。CNN=卷积神经网络。N=正常或束支传导阻滞搏动。S=室上异位搏动。V=心室异位搏动。

2.3 预处理：

预处理的主要目的是消除噪声并统一心电图信号的采样率和振幅。每个心电记录首先通过移动平均滤波器（窗口大小为一秒钟）进行处理，以估计基线漂移，其主要源于信号中的偏移和低频噪声。然后通过从信号中减去估计的基线漂移来消除估计出的基线漂移。还通过带通滤波器（0.1-30 Hz）处理信号，以抑制其他频带的噪声。此外，我们对信号进行重新采样为125 Hz，并将信号归一化为均值为零，方差为一。在这些数据集中，MITBIH-SUP的频率（128 Hz）非常接近我们的目标频率，因此该数据集的信号不会重新采样。但其他数据集的频率都比目标频率高得多，因此这些数据集中的信号都会被降采样为125 Hz。

对于粗略注释的训练数据，一个棘手的情况是，如果一个记录包含窦性和心律失常发作，它的注释通常不包括窦性心律的标签。为解决这个问题，我们根据不同节律的共存规则补充标签。具体而言，如果一个记录的标签集包含SVEB或VEB，且不包含窦上性心动过速或室性逸博动，那么该记录中很可能也存在N型心搏。因此，在这种情况下，我们将N型心搏的标签添加到记录的标签集中进行补充。

2.4 基于知识的特征：

对于许多心律失常的检测，背景信息，例如RR间期的变化，是必不可少的。为了方便背景信息在心律失常检测中的利用，我们基于领域知识设计了两个上下文相关的特征。提取这两个特征需要QRS波群的位置，而这些位置通常并不直接可用，需要通过一些算法进行检测。在本研究中，QRS波群是通过一种基于U-net的模型进行检测的，该模型在之前的研究中已被提出（He等人，2020）。

2.4.1 相对RR间期

相对于上下文中的正常窦性RR间期，当前RR间期的变化提供了检测许多心律失常（包括SVEB和VEB）的重要信息。因此，我们设计了一个名为“相对RR间期”的特征来表示这个信息：
IR = (IN - IA) / IN * s，其中IR是相对RR间期，IA是绝对RR间期，IN是上下文中代表性的正常RR间期，s是缩放参数。为了简化计算，我们使用上下文的平均RR间期来近似IN：IN ≈ mean(I)，其中I是上下文中的RR间期集合。请注意，IR与IA呈负相关关系。当IA < IN时，IR是正值，而当IA > IN时，IR是负值。由于修正线性单元（ReLU）的广泛应用，许多DNN模型对正值更为敏感。因此，我们的设计可以引导DNN对RR间期的缩短更为敏感，这是心室异位心搏的重要指标之一。此外，公式中通过IN对IR进行归一化，以更好地反映相对变化的程度。

在选择用于估计IN的上下文长度时，应权衡准确性和鲁棒性：上下文越长，平均RR间期对局部干扰的鲁棒性就越强，但它对窦性RR间期的时间波动的反映就越不准确。在本研究中，我们将上下文长度设置为60个RR间期，并将当前RR间期放在上下文的中央。当一次记录中的RR间期数量小于60时，所有RR间期都被用作上下文。缩放参数s用于增加该特征对预测的贡献，因为原始值通常较小，易被分类器忽略。在我们的实现中，s被设置为10。

2.4.2 RR熵

上下文中RR间期的规律性和稳定性也提供了重要的诊断信息。我们通过另一个特征RR熵来衡量这些信息。RR熵是通过样本熵（SampEn）方法计算的。样本熵是从输入序列中长度为m + 1的两个模板（即片段），在其相应的前m个采样点匹配的子模板匹配的条件下，它们匹配的经验概率的负自然对数。在我们的实现中，m设置为1，确定两个模板是否匹配的阈值设置为0.05。在熵计算之前，将RR间期除以它们的中位数进行归一化。由于熵可以随时间波动，因此我们使用滑动窗口动态计算其值。与估计正常RR间期的上下文长度选择类似，熵计算的窗口大小也应考虑准确性和稳健性之间的平衡。在我们的实现中，窗口大小也设置为60个RR间期。窗口选择的方法与正常RR间期估计中指定上下文的方法相同。计算得到的RR熵也被组织在一个特征图中，每个移动窗口计算的结果被映射到窗口的中心心跳区域（通常为第30个心跳）。在上述过程中未映射的任何采样点都被分配其最近映射的邻居的值。

为了评估这些特征的区分能力，我们从MITBIH-AR-DS1中随机抽样2,700个心跳（每类900个），并对它们按类别分组的特征值应用单向ANOVA测试。结果表明，这两个特征的值在这些类别之间有显着差异（p <0.0001）。我们还对特征值进行了多个成对比较，结果如图3所示。我们发现，特征值在每对类别之间均有显着差异（p <0.0001）。因此，这些基于知识的特征具有一定的区分能力，并将有助于分类任务。图3 |基于知识的特征的单因素方差分析与多对比较的结果。（A）相对RR间期的结果。（B） RR熵的结果。符号“***”表示对应的两个组在特征值上显著不同（p<0.0001）。N=正常或束支传导阻滞搏动。S=室上异位搏动。V=心室异位搏动。

2.5 DNN特征提取和局部预测

ResNet用于自动从ECG中提取特征。它由一堆残差卷积块（Res块）组成，如图4所示。每个Res块包含两个卷积（Conv）层和一些辅助层，包括批量归一化（BN）、修正线性单元（ReLU）和Dropout。块的最后一个卷积层的输出与块的输入通过逐元素相加进行合并，如原始ResNet建议的那样。然后，池大小为2的最大池化层将合并后的输出压缩为其原始长度的一半。这些块串联连接，前一个块的输出作为后一个块的输入。最后一个块的输出是表征输入记录的每个时间切片的一系列特征图。为了与基于知识的特征对齐，这些DNN提取的特征图沿时间维度上采样到与输入相同的长度。然后，这些特征图沿特征维度与基于知识的特征的特征图连接起来，共同用于局部预测。该架构包含几个可能影响模型性能的超参数。我们通过网格搜索来优化超参数：测试不同的残差块数量（3、4、5和6）、卷积核数量（16、32和64）、卷积核长度（8、16和32）和dropout率（0、0.25和0.5）的选择，以找到在验证集（MITBIH-AR-DS1）上达到最佳性能的组合。在超参数优化之后，ResNet由4个Res块组成。在每个Res块中，每个卷积层包含32个内核，内核长度为8。每个卷积层的参数由提出的方法初始化，该方法考虑了ReLU并允许非常深的模型。每个dropout层的dropout率为0.25。
图4 |用于特征学习的残差卷积网络（ResNet）的结构。Res块=残余块。Conv=卷积层。批次规范=批次规范化。ReLU=整流线性单元。

基于从DNN特征和基于知识的特征合并的特征映射，局部预测是通过时间分布式密集（TDD）层进行的，该层利用密集层（即完全连接层）分别处理每个时间元素。 TDD层的单元数等于考虑的节律类型数。然后，TDD层在每个时间元素的输出由softmax函数处理，以计算发生每种考虑的节律的概率。

2.6 聚合用于全局预测

聚合机制将局部预测映射到全局预测是WSDL-AD框架中的一个关键部分。在这里，我们介绍将传统聚合机制应用于此框架的方法，并提出了掩码聚合机制。

2.6.1 传统的聚合方法

之前的计算机视觉研究中提出了一系列的聚合方法，包括全局平均池化（GAP），全局最大池化（GMP）和Log-Sum-Exp（LSE）。在这里，我们将这些方法形式化，用于将局部预测与全局预测之间的映射应用。我们认为GAP不适用于WSDL-AD框架，因为有些心律失常，例如异位搏动，可能只占记录的一小部分，而且它们的预测将被GAP忽略。相反，GMP选择类别的最大局部预测作为其全局预测：通过使用GMP，无论持续时间如何，只要在记录中的某个时间出现节律，就认为该节律存在于记录中。然而，当直接将这些聚合方法应用于局部预测时，存在一些问题。首先，局部预测对应于采样点而不是心跳。尽管我们可以将这些局部特征和预测划分为单个心跳，但心跳的可变长度和不均匀分布会使精确划分变得困难，并增加模型结构的复杂性。

其次，由于心跳的子波（例如，P波、QRS波和T波）之间的显著形态学差异，心跳不同部分的局部预测可能不一致，即心跳的不同部分被分类为不同的类别。这些不一致的预测是不合理的，会增加模型优化的难度。为了解决这些问题，我们提出了一种掩码聚合机制

2.6.2 蒙版聚合（Masked Aggregation）

一个心跳内不一致的预测主要是由心跳子波形（例如 P、QRS 和 T）之间形态差异造成的。这个问题可以通过在心跳的某个点（即参考点）选择预测作为心跳的代表预测来解决。为了确保选择的预测的代表性，我们提出仅聚合所选预测以获得全局预测。这样，只有选定的预测会根据全局预测损失的梯度进行优化，因此它们在训练后将代表心跳。由于在聚合中掩盖了其他预测，因此我们称此机制为Masked Aggregation。在本研究中，我们选择R峰作为心跳的参考点，因为它通常可以通过某些算法准确识别。在所选的局部预测上，也可以应用上述聚合方法。在此，我们将蒙版聚合与GMP相结合，得到蒙版全局最大池化(MGMP)。通过仅选择参考点处的局部预测，局部预测的可能解空间将大大缩小，因为录音中的参考点数量比采样点数量少几个数量级。此外，Masked Aggregation促使模型学习参考点周围的特征，以便在不同参考点处学习的特征在语义上是可比较的。

2.7 损失计算

由于我们的 WSL 环境中只有记录级别的标签，因此使用全局预测结果进行损失计算。由于单个 ECG 记录中可能存在多个心律，因此损失函数应支持多标签分类。在这里，我们使用二元交叉熵作为模型训练的损失函数：

其中 X 是训练集中的一条记录，T 是 X 的记录级别标签集，f 是预测模型，|C| 是考虑的类别数量。tc 是类别 c 是否存在于标签集 T 中的指示器：如果 c ∈ T，则 tc = 1；否则，tc = 0。此外，由于在临床中 N 比 SVEB 和 VEB 更常见，因此这些类别之间存在极度不平衡。针对这个问题，在损失计算中为不同类别的训练样本分配不同的权重：

其中 Lθ(D) 是训练集 D 的损失，w(Xi,Ti) 是样本 (Xi, Ti) 的权重，M 是数据集中的样本数。在我们的实现中，通过实验调整权重参数后，将具有 SVEB 或 VEB 的样本的权重设置为 2，将同时具有 SVEB 和 VEB 的样本的权重设置为 4，而将既没有 SVEB 也没有 VEB 的样本的权重设置为 0.1。

2.8 两阶段训练策略

为解决WSL的不适定问题，我们提出了一个两阶段训练策略。在第一阶段，模型在少量具有心跳标签的样本中进行预训练。然后，在第二阶段，预训练模型在大量粗略标注的ECG数据中进行进一步的WSL训练。基于SL的预训练是通过省略WSDL-AD框架中的聚合部分并直接对局部预测进行监督来实现的。损失值是使用类别交叉熵在R峰处的预测上计算的，如式（3）所示。

其中，g是局部预测模型，R表示心跳位置集合，Y表示心跳标签集合。yi,c是Y的一个元素：如果第i个采样点的心跳属于类别c，则yi,c为1；否则yi,c为0。这种策略背后的想法是，基于SL的预训练可以初始化具有适当参数的模型，这可能会防止后续基于WSL的训练朝着错误的方向进行。

3 结果

本节中，我们描述了实验设置和结果，以评估 WSDL-AD 框架在逐拍心律失常检测中的性能。我们还进行了消融研究，以评估我们提出的技术对模型性能的影响。

3.1 实验设置

为了比较不同的机器学习方法，我们在三个设置下进行实验：
1）全监督学习（SL）设置，在该设置下，模型接受完全监督的训练；
2）弱监督学习（WSL）设置，在该设置下，模型仅接受弱监督的训练；以及
3）SL + WSL 设置，在该设置下，模型在小数据集上接受全监督训练，然后在大数据集上接受弱监督训练。各设置的详细信息如下面的小节所示。

3.2 SL设置

为了训练SL模型，MITBIH-AR-DS1的记录被分成20秒的片段，80%的片段被随机选择为训练集，剩余的20%被用作验证集。验证集仅用于超参数调整和训练过程的早期停止。训练后的模型在其他三个完全独立且注释精细的数据集上进行测试，包括MITBIH-AR-DS2、MITBIHUP和INCART。这些测试集上的度量分数用于模型性能的最终评估。

3.3 WSL Setting

在WSL（弱监督学习）设置中，模型基于PhysioNet/CinC挑战中的五个粗略注释的数据集进行训练。其中，MITBIH-AR-DS1用作验证集，另外三个精细注释的数据集则用作测试集。为了在模型训练过程中便于批处理，训练集中的所有记录都在末尾进行了填充或截断，使其长度为20秒。验证集中的记录也被划分为20秒的段落。

3.4 The SL + WSL Setting

SL设置这些结果与WSL设置非常接近，也在图5中显示出来。图5 |在不同的学习设置下，在整个数据集上检测心室异位搏动（VEB）和室上异位搏动（SVEB）的精确回忆曲线（PRC）。（A） VEB检测的PRC。（B） SVEB检测的PRC。SL=监督学习。WSL=弱监督学习。AP=平均精度。

3.5 稳定性评估

图6|F1分数在多个独立训练课程中对总测试数据的分布。（A）心室异位搏动（VEB）检测结果的直方图。（B）室上异位搏动（SVEB）检测结果的直方图。SL=监督学习。WSL=弱监督学习。

3.6 消融实验

进行了几个消融实验来评估所提出的基于知识的特征、基于DNN的特征提取和掩码聚合对WSDL-AD框架性能的影响。所有消融实验都是在SL + WSL设置下进行的。

3.6.1 基于知识的特征

进行了消融实验来评估基于知识的特征对预测的贡献。实验研究了四个配置，包括不使用（仅使用DNN特征）、RR熵（使用DNN特征和RR熵）、相对RR间隔（使用DNN特征和相对RR间隔）、两种特征同时使用（使用DNN特征和两种基于知识的特征）。在总测试数据上的测试结果在图7A、B中用PRCs显示。
图7 |消融研究对总试验数据的精确回忆曲线（PRC）。（A）以及（B）示出了具有不同知识特征的模型的PRC。（C）和（D）示出了具有不同特征提取网络的模型的PRC。（E）和（F）示出了具有不同聚集机制的模型的PRC。GAP=全球平均池。GMP=全局最大池。LSE=对数累积经验。MGMP=掩码全局最大池。AP=平均精度。LSE的参数b设置为5

3.6.2 DNN特征提取方法

在我们的框架中，使用ResNet提取基于DNN的特征。除了ResNet外，我们还测试了几个著名的网络进行比较，包括AlexNet、VGG-19和U-Net。整个测试集的测试结果在图7C和D中显示。

3.6.3 聚合机制

我们的消融研究比较了四种聚合机制，包括GAP、GMP、LSE（b = 5）和MGMP。在总测试数据上的测试结果如图7E、F所示。

3.7 检测样例的分析

WSDL-AD模型检测SVEB和VEB的定性结果如图8所示。

图8|SL+WSL设置下MITBIH-AR-DS2心律失常检测的定性结果。（A）正常节律时的一个例子。（B）心房颤动期间的一个例子。（C）心房二联律的一个例子。（D）心室二联律期间的一个例子。垂直虚线表示R峰值的位置。在ECG波形图中，每个心跳的参考类别标记在ECG上方。在局部分类图中，心室上异位搏动（S）的预测用蓝色绘制，心室异位搏动（V）的预测以橙色绘制，检测到的类别标记在预测线上方。N表示正常或丛分支块节拍。由于N、S和V的概率在每个采样点相加为1，因此为了清楚起见，图中未绘制N的预测。

然而，模型在分类方面也存在一些低置信度或甚至错误的情况，如图9所示。
图9 |误差预测的定性结果。（A）在室上性快速心律失常期间，将室上异位搏动（S）错误分类为正常或束支传导阻滞搏动（N）的一个例子。（B）左束支传导阻滞（LBBB）期间将心室异位搏动（V）错误分类为S的一个例子。

4 DISCUSSION

在这项研究中，我们提出了一种用于心律失常逐拍检测的WSL框架（WSDL-AD），该框架在模型训练期间只需要粗粒度的记录级别注释。对独立数据集的评估表明，WSDL-AD模型能够从粗略标注的ECG中学习检测VEB和SVEB的能力。特别是，我们的WSL模型在多个外部测试集上大大优于SL模型，这表明WSL框架可以通过探索大量粗略注释的ECG数据来促进心律失常检测的泛化能力。最大的改进是SVEB的检测，因为其波形变化通常非常细微，因此更难检测。在本节中，我们将比较我们的方法与其他最新研究的结果，并讨论本研究的意义和局限性。

4.1与其他研究的比较

我们将我们的结果与之前的代表性研究进行比较。以前关于心跳分类的研究可以分为两种类型：归纳学习，它从标记的训练样本中学习一般规则，并将规则应用于测试样本；以及转导学习，其从标记的训练样本和未标记的测试样本中学习检测规则，并将规则应用于相同的测试样本。本研究和之前的大多数研究都是在归纳学习中进行的。一些基于非监督领域适应的研究是在转导学习中进行的。尽管转导学习模型通常比诱导学习模型获得更好的性能，但由于在常规临床实践中总是有新的患者，因此它们在模型训练阶段对未标记目标样本的要求很难满足。

4.2所提出方法的含义

本研究表明，WSL方法通过利用大量粗略注释的ECG数据，有效提高逐拍心律失常检测器的泛化能力。具有精细检测粒度和良好泛化能力的心律失常检测器对临床实践具有重要意义。精细的粒度对于测量心律失常，可用于评估临床关键风险（如中风和心力衰竭）。另一方面，泛化能力是算法可信用于临床的必要前提，因为ECG易受环境和个体差异的影响。目前使用的算法做出的诊断仍需医生审查。然而，随着来自移动设备的心电图数据的爆炸，依靠医生审查每个记录是不现实的。随着泛化能力的提高，我们的WSL方法可以独立地处理更多的情况并进行更可靠的检测，这对于推动自动心电图诊断的革命具有重要意义。

4.3限制

这项工作也有一些限制。首先，WSL模型对于SVEB检测具有较高的错误率。SVEB的波形模式通常很细微，因此很难被模型识别。为了解决这个问题，收集更多的训练数据或改进WSL框架的设计（例如，提取P波的特征）将是有益的。第二，WSDL-AD框架不用于检测其他类型的心电图异常，如分支束阻滞和ST段变化。未来的工作需要评估WSL在检测更多样的心电图异常方面的有效性。

5结论

总之，本研究开发并评估了用于逐拍心律失常检测的WSDL框架，通过该框架，我们证明了仅在粗略标记的ECG数据上训练细粒度心律失常检测器的可行性。对多个外部数据集的评估表明，与以前的基于SL的方法相比，所提出的框架在泛化能力方面具有显著优势。基于知识的特征和掩蔽聚合机制对模型的性能也有重要贡献，而基于SL的预训练有助于提高训练过程的稳定性。

此外，我们的框架的计算复杂度适中，这允许将模型部署在具有有限计算资源的硬件上。我们的方法将大大减轻数据注释的负担，提高逐搏心律失常检测的可靠性，因此在促进医院内外自动心脏监测的应用方面具有巨大潜力。