使用自动编码器清理生理传感器数据
Lito Kriara1, Mattia Zanon1, Florian Lipsmeier1
1Roche Pharma Research and Early Development (pRED), Roche Innovation Center Basel, 4070 Basel, Switzerland.
Physiological measurement
|November 29, 2023
概括
这项研究引入了一种深度学习模型,用于清理杂的生理传感器数据,与现有方法相比,显著提高准确性和减少错误. 半监督方法显示出可靠的患者监测和临床试验应用的前景.
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.
- 这种技术可以提高远程患者监测的可靠性,并支持临床试验决策.
- 开发的框架可以带来更可靠的特征来评估药物疗效.
更多相关视频
08:22Author Spotlight: Advancing the Study of Brain-Heart Interplay with a Comprehensive EEGLAB Plugin for Multimodal Signal Analysis
Published on: April 26, 2024
1.9K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.1K
