基于无监督预训练与多任务学习的可穿戴活动数据共病探索
机器学习
2017-12-29 v1 计算机与社会
摘要
身体活动与睡眠在许多慢性疾病的预防和管理中起着重要作用。理解它们对慢性疾病的影响并非易事。目前,人们使用电子健康记录(EHRs)、睡眠实验室研究以及活动/睡眠日志数据。可穿戴健康设备流行度的快速增长提供了一个重要的新数据源,使得有可能通过网页接口实时追踪用户的生活方式,既面向消费者也面向其医疗保健提供者。然而,当前生活方式数据(例如睡眠、身体活动)与通常记录在 EHRs 中的临床结果之间存在鸿沟。这是将该新信号源用于医疗决策的关键障碍。将深度学习应用于可穿戴数据提供了克服此障碍的新机会。为解决大部分受试者缺乏临床数据以及受试者群体不具代表性这一问题,我们提出了一种称为 act2vec 的新型无监督(任务无关)时间序列表示学习技术。act2vec 通过考虑活动水平的共现以及人类活动模式的周期性来学习有用特征。随后利用所学表示提升特定疾病监督学习模型的性能。此外,由于许多疾病常彼此相关(称为共病现象),我们使用多任务学习框架来利用可穿戴数据中部分捕获的、诱发疾病的 lifestyle 选择的共享结构。使用来自 4124 名受试者的活动描记数据进行的实证评估表明,我们提出的方法比传统时间序列符号表示方法和特定任务深度学习模型性能更优且泛化能力显著更强。
引用
@article{arxiv.1712.09527,
title = {Co-Morbidity Exploration on Wearables Activity Data Using Unsupervised Pre-training and Multi-Task Learning},
author = {Karan Aggarwal and Shafiq Joty and Luis F. Luque and Jaideep Srivastava},
journal= {arXiv preprint arXiv:1712.09527},
year = {2017}
}