通过自我监督学习和"嵌入式"医疗领域专业知识转变医疗保健可穿戴设备的标签高效解码

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 医疗保健可穿戴设备产生复杂的数据,由于标签成本,这对传统的监督学习构成了挑战.
• 自主监督对比学习 (SSCL) 为未标记的数据提供了一个解决方案,但往往错过了生理上的相似性.
• 现有的SSCL方法可以通过将不相似的实例视为无关联来处理,从而导致低于最佳的数据表示.

研究的目的:

• 开发一个新的框架,将领域知识集成到SSCL中,用于医疗保健可穿戴数据.
• 通过结合临床上有意义的特征来增强学习过程.
• 提高机器学习在可穿戴健康监测中的效率和有效性.

主要方法:

• 引入了一个框架,将领域知识嵌入到SSCL过程中,特别是像心率变化来自心电图这样的特征.
• 利用近邻匹配形成相关的正对,以集成特征为指导.
• 采用基于集群的原型表示来促进全球数据结构.

主要成果:

• 拟议的方法使用仅10%的标记数据,实现了与传统SSCL可比的性能.
• 在各种医疗保健可穿戴技术中表现出有效性.
• 通过利用领域专业知识,展示了代表性学习的显著改进.

结论:

• 领域知识对于推进医疗保健中的机器学习至关重要,特别是对于可穿戴设备.
• 拟议的SSCL框架为分析复杂的可穿戴健康数据提供了一种可持续和高效的方法.
• 整合临床特征增强了SSCL,减少了对广泛标记数据集的依赖.