解决医学数据学习中的数据库变异问题：一种基于卷积神经网络的集成方法及其在自动睡眠分期中的应用案例
机器学习
2020-03-20 v3 信号处理
机器学习
摘要
本文研究了开发机器学习模型时面临的一些问题，旨在常见任务多数据库场景下实现鲁棒泛化能力。针对所谓的“数据库变异问题”，我们聚焦于特定医学领域（睡眠医学中的睡眠分期）以表明将模型估计的局部泛化能力迁移至独立外部数据库并非易事。我们分析了以多数据库数据作为输入训练单一学习模型时的一些可扩展性问题。随后，我们提出一种基于局部模型集成的新型方法，并展示了其在数据库间泛化性能与数据可扩展性方面的优势。此外，我们分析了不同模型配置与数据预处理技术以确定它们对整体泛化性能的影响。为此，我们开展了涉及多个睡眠数据库并评估基于卷积神经网络的多种机器学习模型的实验。
引用
@article{arxiv.1906.06666,
title = {Addressing database variability in learning from medical data: an ensemble-based approach using convolutional neural networks and a case of study applied to automatic sleep scoring},
author = {Diego Alvarez-Estevez and Isaac Fernández-Varela},
journal= {arXiv preprint arXiv:1906.06666},
year = {2020}
}
备注
Pre-print version accepted for publication; 26 pages, 1 figure, 6 tables, 4 supplementary tables