用于人类精液活力自动预测的机器学习框架
机器学习
2021-09-20 v2 人工智能
计算机视觉与模式识别
摘要
本文利用机器学习方法对 Simula Research Laboratory 收集的 visem 数据集中的人类精液样本就其精子活力相关的质量进行自动评估。我们训练了若干回归模型，以自动预测给定样本中前进运动、非前进运动及不活动精子的百分比（0 至 100）。视频样本采用了三种不同的特征提取方法，具体利用了自定义运动统计、位移特征以及活力专用统计。此外，四种机器学习模型，包括线性支持向量回归（SVR）、多层感知机（MLP）、卷积神经网络（CNN）和循环神经网络（RNN），已在提取的特征上训练以完成自动活力预测任务。预测活力的最佳结果是使用 Crocker-Grier 算法以无监督方式追踪精子细胞，并为每条检测到的轨迹提取个体均方位移特征。随后这些特征通过词袋方法聚合成直方图表示。最后，在此特征表示上训练一个线性 SVR。与使用了相同数据集与划分的 Medico Multimedia for Medicine 挑战赛最佳提交相比，平均绝对误差（MAE）从 8.83 降至 7.31。为可复现起见，我们在 GitHub 上提供了实验源代码。
引用
@article{arxiv.2109.08049,
title = {A Machine Learning Framework for Automatic Prediction of Human Semen Motility},
author = {Sandra Ottl and Shahin Amiriparian and Maurice Gerczuk and Björn Schuller},
journal= {arXiv preprint arXiv:2109.08049},
year = {2021}
}