用于生理信号实用临床分析的类增强半监督学习
医学物理
2018-12-19 v1 信号处理
机器学习
摘要
对生理信号的计算分析将为自动化临床分析带来巨大影响。然而,负类或少数类样本数量稀少的类不平衡问题削弱了实际解决方案的鲁棒性。我们方法的核心思想是对少数类样本进行智能增强,以构建平滑、无偏的决策边界,从而实现鲁棒的半监督学习。这解决了基于生理信号的计算临床分析中异常检测任务的实际类不平衡问题。我们选取两种关键心脏标志物生理信号:心音或心音图(PCG)与心电图(ECG),以验证我们在增强类学习下对临床事件鲁棒异常检测的主张,其中少数类样本的智能合成试图平衡类分布。我们在公开可用的专家标注 MIT-Physionet PCG 和 ECG 数据集上进行了大量实验,确立了所提方案的高性能优势,且我们的方案恰当地优于最先进的算法。
引用
@article{arxiv.1812.07498,
title = {Class Augmented Semi-Supervised Learning for Practical Clinical Analytics on Physiological Signals},
author = {Arijit Ukil and Soma Bandyopadhyay and Chetanya Puri and Rituraj Singh and Arpan Pal},
journal= {arXiv preprint arXiv:1812.07498},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018, Montreal, Canada, December, 2018