通过使用可解释的增长网络来改进基于可穿戴设备的预测

科学领域:

• 生物医学工程
• 神经科学
• 在医疗保健中的机器学习

背景情况:

• 发作的不可预测性对患者和护理人员造成重大负担,影响健康和生活质量.
• 可穿戴设备为使用生理数据进行非耻辱化,用户友好的预测提供了有希望的途径.

研究的目的:

• 开发和评估患者无关的预测方法,利用多患者数据的组级模式.
• 通过融合多种机器学习技术和增量学习来提高预测的准确性.

主要方法:

• 使用监督的长期短期网络 (LSTM) 与无监督的深度规范相关自动编码器 (DCCAE) 和日间时间模式分析.
• 使用不断增长的神经网络进行增量学习.
• 使用Shapley添加式解释 (SHAP) 来分析特征贡献,并评估数据质量和临床变量的影响.

主要成果:

• 该方法的平均预测准确率为81.7%,比基线LSTM (74.4%) 提高了7.3%.
• 该方法在84%的患者中表现优于LSTM,与一次性融合相比,不断增长的网络融合提高了9.5%的准确性.
• 分析显示了预测数据持续时间,可穿戴数据质量和临床变量对预测性能的影响.

结论:

• 使用可穿戴设备的无病性预测方法可以显著提高预测准确性.
• 通过不断增长的神经网络,LSTM,DCCAE和时间模式的融合为管理提供了强大的方法.
• 这项技术有可能提高患者的安全性和生活质量.