分析心电图(ECG)是一种廉价而非侵入性,但诊断心脏病的廉价而强大的方式。ECG研究使用机器学习自动检测到到目前为止的异常心跳依赖于大型手动注释的数据集。在收集大量的未标记数据时可以简单地,异常心跳的点点注释是乏味且昂贵的。我们探讨了多种弱监理来源,通过人类设计的启发式学习异常心跳的诊断模型,而无需在各个数据点上使用地面真理标签。我们的作品是第一个直接在时间序列数据上定义薄弱的监督来源。结果表明,随着六个直观的时间序列启发式,我们能够推断出高质量的概率标签估计超过100,000多个心跳,具有很少的人力努力,并使用估计的标签培训对所持测试数据进行评估的竞争分类器。
translated by 谷歌翻译