VAE-IF:深度特征提取,在常规获得的ICU时间序列中为完全无监督的文物检测进行平均化
Hollan Haule1, Ian Piper2, Patricia Jones3
1Institute for Imaging, Data and Communications (IDCOM), School of Engineering, University of Edinburgh, Edinburgh, EH9 3FB, UK.
Computers in biology and medicine
|January 1, 2025
概括
这项研究引入了一种无监督的方法,可以自动检测重症监护室 (ICU) 的生理数据中的文物. 这种新的方法有效地识别了无需手动标记的噪音信号,改善了研究和患者护理的数据质量.
科学领域:
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
- 关键护理医学 关键护理医学
背景情况:
- 来自重症监护室 (ICU) 的生理时间序列数据经常含有人工物,损害了数据质量和可靠性.
- 手动的文物注释是劳动密集型的,对于大型数据集来说是不切实际的,需要自动化解决方案.
- 现有的自动化方法往往需要标记数据或信号特定知识,限制了它们的适用性.
研究的目的:
- 开发一种完全不受监督的方法,用于检测分分钟分辨率的ICU生理数据中的文物.
- 解决对自动化,无标签文物检测的需求,以加强临床研究和患者护理.
- 评估拟议方法在现实世界ICU数据上的通用性和性能.
主要方法:
- 开发了一种混合模型,将特征学习的变化自编码器 (VAE) 和异常检测的隔离森林 (IF) 结合起来.
- VAE学习数据的隐藏表示,使IF能够识别标志着文物的偏差.
- 该方法在各种生命体征上进行了测试,包括血压,心率和内压力.
主要成果:
- 无监督的VAE-IF模型实现了与LSTM和XGBoost等监督方法相匹配的文物检测灵敏度.
- 拟议的方法在外部ICU数据集上展示了强大的概括能力.
- 对VAE潜伏空间的可视化证实了它能够有效地区分清洁和被人工制造物损坏的数据样本的能力.
结论:
- 开发的无监督的VAE-IF方法为ICU数据中的文物检测提供了强大的和高效的解决方案.
- 这种方法消除了手动标签或预先信号特定专业知识的需要,使其对临床研究非常实用.
- 这些发现表明,在重症监护机构中,改善生理时间序列数据的质量和可靠性是一个有希望的途径.
