基于深度去噪自编码器的动静脉瘘无创血流检测
机器学习
2023-06-13 v1 人工智能
信号处理
摘要
临床指南强调了定期监测与 surveilling 血液透析患者的动静脉瘘（AVF）通路以及时发现任何功能障碍的重要性。尽管血管音描记/声音分析克服了标准化 AVF 狭窄诊断工具的局限性，先前的研究依赖于传统的特征提取方法，限制了其在多样情境中的适用性。相比之下，表示学习捕捉可轻易迁移至不同情境的基本潜在因素。我们提出一种基于深度去噪自编码器（DAE）的方法，利用通过一级离散小波变换获得的波形，借助表示学习执行降维与重构任务。我们的结果表明，DAE 生成的潜在表示以 0.93 的准确率超出预期。噪声混合的引入与噪声到干净方案的使用有效增强了潜在表示的判别能力。此外，当用于识别患者特定特征时，该潜在表示以超过 0.92 的准确率展现出性能。适当的轻量化方法可恢复过度降维版本的检測性能，并使其能在计算能力较弱的设备上运行。我们的发现表明，表示学习是一种更可行的用于提取 AVF 听诊特征的方法，可带来跨多任务的改进泛化与适用性。潜在表示的操控具有巨大潜力以推动未来进展。该领域的进一步研究大有前景并值得持续探索。
引用
@article{arxiv.2306.06865,
title = {Deep denoising autoencoder-based non-invasive blood flow detection for arteriovenous fistula},
author = {Li-Chin Chen and Yi-Heng Lin and Li-Ning Peng and Feng-Ming Wang and Yu-Hsin Chen and Po-Hsun Huang and Shang-Feng Yang and Yu Tsao},
journal= {arXiv preprint arXiv:2306.06865},
year = {2023}
}