説明可能な成長ネットワークを用いた機能融合によるウェアラブルベースの発作予測の改善

科学分野:

• 生物医学工学
• 神経科学
• 医療における機械学習

背景:

• 発作の予測不可能な状態は 患者や介護者にとって大きな負担となり,健康と生活の質に 影響を及ぼします.
• ウェアラブルデバイスは 生理学的データを用いて 肌の色を傷つけない使いやすい 発作の予測を可能にします

研究 の 目的:

• 多患者データからグループレベルのパターンを利用した患者アグノスティックな発作予測方法を開発し,評価する.
• 複数の機械学習技術とインクリメンタル・ラーニングの融合により 発作予測の精度を高める

主な方法:

• 監視された長期短期ネットワーク (LSTM) と監視されていない深層カノン的に相関した自動エンコーダー (DCCAE) と時間パターン分析を使用した.
• 増量学習のための 成長するニューラルネットワークを用いて これらのモデルから特徴を融合させました
• 特徴の貢献を分析し,データ品質と臨床変数の影響を評価するために,シャップリー添加物説明 (SHAP) を利用した.

主要な成果:

• 提案された方法は,平均予測精度81.7%を達成し,ベースラインLSTM (74.4%) よりも7.3%改善しました.
• この方法は,患者の84%でLSTMを上回り,成長するネットワーク融合は,すべて一度の融合と比較して精度を9.5%改善しました.
• 分析では,予知データ持続時間,ウェアラブルデータ品質,および臨床変数の予測パフォーマンスへの影響が明らかになった.

結論:

• ウェアラブルデバイスを用いた 患者無関係な発作予測方法は 予測の精度を大幅に向上させることができます
• 成長するニューラルネットワークを介してLSTM,DCCAE,およびテンポラルパターンの融合は,の管理に堅実なアプローチを提供します.
• この技術は 患者の安全と生活質を向上させる可能性を秘めています