LFVDNet:用于医疗时间序列的低频变量驱动网络
Yue Zhang1, Dengqun Sun2, Lei Li3
1School of Computer Science and Technology, Anhui University, Hefei, Anhui, China.
Journal of biomedical informatics
|September 25, 2025
概括
本研究介绍了LFVDNet,这是一种用于医疗时间序列分析的新方法,可以有效处理低频采样变量 (LFSV). LFVDNet保留了来自LFSV的独特信息,在稳定性和性能方面超过了现有的归算方法.
科学领域:
- 医学时间序列分析
- 机器学习用于医疗保健
- 数据归算技术数据的归算技术.
背景情况:
- 医疗时间序列数据通常含有缺失的值,使预测建模复杂化.
- 现有的"首先输入,然后预测"方法可以从低频采样变量 (LFSV) 中丢失关键信息.
研究的目的:
- 为医疗时间序列分析开发一个端到端的方法,有效地处理LFSVs.
- 在归算过程中保留LFSV的独特特征和基本信息.
主要方法:
- 提出了低频变量驱动网络 (LFVDNet),这是一个端到端的深度学习模型.
- 引入了时间意识输入器 (TA) 模块,使用注意力编码时间信息并保持LFSV的通道独立性.
- 开发了偏移选择模块 (OS) 进行独立的,基于选择的归算,减轻LFSVs的缺点.
主要成果:
- 在四个公共数据集中,LFVDNet表现出卓越的稳定性和性能.
- 该方法有效地保留了来自LFSV的独特信息,与传统方法不同.
结论:
- LFVDNet提供了一个有效的解决方案,用于医疗时间序列分析缺失的值,特别擅长利用LFSVs.
- 通过考虑时间相关性和战略数据点选择,TA和OS模块有助于准确的归算.
