使用自动编码器清理生理传感器数据.

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 生理传感器数据对于远程患者监测至关重要,但通常会受到噪音的影响.
• 现有的基于特征的信号清理模型可能无法完全捕捉信号特征.

研究的目的:

• 为有效的生理传感器信号清洁开发一个深度学习框架.
• 通过半监督的方法来解决有限的注释数据的挑战.

主要方法:

• 一个深度学习框架,利用扩展卷积来清理信号.
• 一个基于自动编码器的半监督模型来学习信号表示并提高可解释性.
• 根据学习的特征将信号分类为杂或干净.

主要成果:

• 提出的深度学习模型的准确性比基于特征的方法高出8%以上.
• 与现有方法相比,假阳性和假阴性率减少了一半.
• 半监督模型,与调整,超越监督方法,达到90%以上的准确性.

结论:

• 深度学习,特别是半监督方法,为清理杂的生理传感器数据提供了强大的方法.