一个新型模型来生成异质和现实的时间序列数据用于中风后康复评估

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 康复科学 康复科学 康复科学

背景情况:

• 机器学习在远程康复中受到数据不足的限制.
• 生成对抗网络 (GAN) 用于数据增强,但受到模式崩的影响,无法捕获完整的数据分布.
• 在GAN中模式崩阻碍了用于训练康复模型的多样化和代表性合成数据的生成.

研究的目的:

• 为了解决基于GAN的数据增强中的模式崩问题,用于中风后远程康复.
• 提出和评估一个新的时间序列 GAN (TS-SGAN) 改进合成数据生成.
• 通过更好的数据增强,提高中风后评估模型的准确性.

主要方法:

• 将标准GAN应用于中风后康复数据集,确认模式崩.
• 开发并实施了一个时间序列语GAN (TS-SGAN),其中包含一个语网络和一个额外的区分器.
• 使用最长常见子序列 (LCSS) 进行数据统一性分析,并使用格拉米安角场 (GAF) 与ResNet-18进行分类准确性评估.

主要成果:

• 标准GAN显示模式崩,产生有限的数据变化.
• TS-SGAN在测试数据集中展示了统一的数据生成,克服了模式崩问题.
• 使用ResNet-18的分类准确性与TS-SGAN生成的数据相比,与原来的GAN相比,增加了35.2%-42.07%.

结论:

• 在基于GAN的数据增强中,TS-SGAN有效地解决了模式崩,用于远程康复.
• 拟议的TS-SGAN显著提高了中风后评估模型的性能.
• 这一进步为机器学习驱动的康复中数据稀缺性挑战提供了有希望的解决方案.