用于呼吸信号联合生成与分类的半监督自编码器框架
机器学习
2021-03-29 v2 信号处理
摘要
生物医学信号的主要问题之一为患者特定数据量有限，以及为诊断与治疗目的记录足够样本数所需的大量时间。在本研究中，我们提出一个基于改进对抗自编码器（AAE）算法与一维卷积的框架，以同时生成并分类生物医学时间序列。我们的工作基于呼吸时间序列，具体动机为捕捉肺癌放疗期间的呼吸运动。首先，我们探索使用变分自编码器（VAE）与 AAE 算法对个体患者呼吸建模的潜力。我们扩展 AAE 算法以允许对不同类型信号进行联合半监督分类与生成。为简化建模任务，我们引入一种预处理与后处理压缩算法，将多维时间序列转换为包含时间与位置值的向量，并通过额外的神经网络变换回时间序列。通过在训练中融入少量标注样本，我们的模型在分类呼吸基线偏移异常方面优于其他纯判别网络，且所用数据集与训练集完全不同。据我们所知，所提框架是首个在此类生物医学数据上将生成与分类统一于单一模型的方法，能够在单一框架内实现计算机辅助诊断与标注样本增广。
引用
@article{arxiv.2010.15579,
title = {A semi-supervised autoencoder framework for joint generation and classification of breathing},
author = {Oscar Pastor-Serrano and Danny Lathouwers and Zoltán Perkó},
journal= {arXiv preprint arXiv:2010.15579},
year = {2021}
}