ME-TIME研究中的数据效率高的机器学习方法:从可穿戴设备检测心房动和心力衰竭的纵向研究的逻辑和设计
Arman Naseri1,2, David Tax2, Pim van der Harst3
1Department of Cardiology, Haga Teaching Hospital, The Hague, The Netherlands.
Cardiovascular digital health journal
|January 15, 2024
概括
机器学习模型可以使用智能手表数据检测心脏疾病,如心房动 (AF) 和心力衰竭 (HF). 这项研究使用数据效率高的方法,在可穿戴传感器信息中找到用于早期疾病检测的模式.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 智能手表提供了对心血管生物标志物的持续,非侵入性监测.
- 机器学习 (ML) 可以在这些数据中识别出临床相关的模式.
- 由于标记大型数据集的劳动密集性,数据效率高的ML方法至关重要.
研究的目的:
- 使用可穿戴数据设计一个数据高效的ML模型来检测心房动 (AF) 和心力衰竭 (HF).
- 为此目的,利用自我监督和弱监督的学习技术.
主要方法:
- 招募200名受试者 (100个参考,50个AF,50个HF) 佩戴Fitbit3个月.
- 使用自我监督和多实例学习技术.
- 分析可穿戴传感器的连续数据.
主要成果:
- 对62名注册受试者的初步分析显示,受试者之间存在显著的差异.
- 心率恢复曲线和时间延迟心率/步数相关性是心脏病的潜在指标.
结论:
- 假设AF和HF特定的模式可以在智能手表数据中使用自主监督和多个实例学习来识别.
- 这种方法旨在实现心血管疾病的早期检测和预防.
关键词:
人工智能的人工智能是人工智能.心房动是一种心房动.心脏衰竭是因为心脏衰竭.机器学习是机器学习.多个实例的学习学习.自主监督学习学习智能手表是一个智能手表.可穿戴设备可以穿戴.移动健康 移动健康 移动健康 移动健康
