Core Concepts
자기지도 학습 기법(SimCLR, BYOL, SwAV)을 활용하여 ECG 신호에서 부정맥을 효과적으로 탐지할 수 있으며, 특히 SwAV 기법이 가장 우수한 성능을 보인다. 또한 이러한 자기지도 학습 기법은 분포 내 및 분포 외 데이터에서 유사한 성능을 보여 일반화 능력이 뛰어나다.
Abstract
이 연구는 ECG 기반 부정맥 탐지를 위한 자기지도 학습 기법의 효과를 체계적으로 분석하였다. 먼저 PTB-XL, Chapman, Ribeiro 데이터셋의 데이터 분포를 분석하여 분포 내(in-distribution, ID) 및 분포 외(out-of-distribution, OOD) 데이터를 구분하였다. 이후 다양한 증강 기법과 매개변수를 적용하여 SimCLR, BYOL, SwAV 등의 자기지도 학습 기법의 성능을 평가하였다.
실험 결과, SwAV 기법이 ID 및 OOD 데이터에서 가장 우수한 성능을 보였다. 또한 자기지도 학습 기법은 지도 학습 모델과 비교하여 경쟁력 있는 성능을 보였다. 특히 자기지도 학습 기법은 ID 및 OOD 데이터에서 유사한 성능을 보여 일반화 능력이 뛰어난 것으로 나타났다. 마지막으로 각 질병 클래스별 성능 분석을 통해 데이터 분포가 모델 성능에 미치는 영향을 확인하였다.
Stats
ECG 신호의 분포 내 및 분포 외 데이터 간 중복도는 PTB-XL 데이터셋의 경우 83.52%, Chapman 데이터셋의 경우 82.52%로 나타났다.
PTB-XL 데이터셋과 Chapman 데이터셋의 중복도는 67.73%, PTB-XL 데이터셋과 Ribeiro 데이터셋의 중복도는 46.36%로 나타났다.
Chapman 데이터셋과 Ribeiro 데이터셋의 중복도는 60.29%로 나타났다.
Quotes
"자기지도 학습 기법은 지도 학습 모델과 비교하여 경쟁력 있는 성능을 보였다."
"자기지도 학습 기법은 ID 및 OOD 데이터에서 유사한 성능을 보여 일반화 능력이 뛰어난 것으로 나타났다."