在基于电阻的多通道血液动力监测中,用于自动信号质量评估的无监督序列对序列学习

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:

• 对心脏体积信号 (CVS) 的监测对于血液动力学评估至关重要.
• 运动工件显著降低了CVS数据的可靠性.
• 现有的方法通常需要手动注释来检测运动,这很费力,容易出现错误.

研究的目的:

• 开发一种无监督的序列对序列学习方法,用于自动评估CVS中运动诱导的可靠性降低.
• 克服现有方法的局限性,包括需要手动注释和缺乏在上下文变化下的明确运动异常检测.
• 为了提高血液动力学监测系统的稳定性和准确性.

主要方法:

• 使用长期短期内存和基于自动编码器的编码器-解码器模型.
• 训练模型进行自我复制和CVS序列的未来推断,以捕捉时间上下文.
• 根据输入和神经表征之间的残余值检测到低质量的,受运动影响的CVS,使用双西格玛规则.

主要成果:

• 与监督方法相比,在不受监督的环境中取得了竞争性评估绩效.
• 证明了使用时间序列上下文信息来检测运动诱导的信号扭曲的优势.
• 验证了该方法作为伪标签工具的实用性,减少了手动注释工作和人为错误.

结论:

• 拟议的无监督方法有效评估CVS中的运动诱导的可靠性降低.
• 这种方法为工业应用提供了显著的优势,需要高精度和稳定性,使用大型CVS数据集.
• 机器引导的注释显示出有可能简化和提高运动工件检测的准确性.