时间尺度网络:一种高效的浅层神经网络,用于生物医学应用中的时间序列数据
Trevor Meyer1, Camden Shultz1, Najim Dehak1
1Department of Electrical and Computer Engineering at Johns Hopkins University.
IEEE journal of selected topics in signal processing
|May 15, 2025
概括
我们开发了一个时间尺度网络,用于分析复杂的生物医学数据. 这种高效的深度学习模型可以准确地检测诸如心房功能障碍等疾病,并通过更少的参数和更快的处理来预测发作.
科学领域:
- 生物医学数据分析
- 对于时间序列的深度学习
- 信号处理 信号处理
背景情况:
- 生物医学时间序列数据通常包含跨多个时间尺度的信息.
- 现有的深度学习模型可能在计算上昂贵,数据密集型,难以解释.
- 这些局限性阻碍了现实世界的应用程序,特别是在资源有限的环境中或实时处理.
研究的目的:
- 引入一个计算效率高的深度学习网络,用于分析多尺度时间序列数据.
- 为了减少网络大小,数据要求和计算复杂性,同时保持或提高性能.
- 为了使实时或边缘计算场景中的解释和应用更容易.
主要方法:
- 开发了一种新的时间尺度网络,将离散波量变换原理与卷积神经网络集成在一起.
- 使用反向传播来训练网络,使其同时学习跨不同时间尺度的特征.
- 评估了使用心电图信号检测心房功能障碍和使用脑电图信号预测的网络.
主要成果:
- 与传统方法相比,时间尺度网络在每种参数和每种操作上表现出更高的精度.
- 实现了快速的训练和推断速度,从而实现了高效的实时分析.
- 通过可解释的学习模式成功检测到心房功能障碍,并使用最小参数 (1,133) 准确率90.9%预测发作.
结论:
- 拟议的时间尺度网络为多尺度时间序列分析提供了一个计算高效和可解释的解决方案.
- 它显著降低了资源需求,使其适合于现实世界的生物医学应用和边缘设备.
- 该方法具有多功能性,适用于包含多个时间尺度特征的任何时间序列数据.
