DeepClean——基于深度生成学习的重症监护波形数据自监督伪迹剔除
机器学习
2020-01-07 v4 机器学习
图像与视频处理
摘要
波形生理数据在重症监护病房危重患者的治疗中十分重要。此类记录易受伪迹影响，必须在数据重新用于报警或经再处理用于其他临床及研究目的之前予以去除。准确去除伪迹可降低临床评估中的偏倚与不确定性，以及重症监护病房报警的假阳性率，因此是提供最佳临床照护的关键环节。本工作中，我们提出 DeepClean；这是一个使用卷积变分自编码器深度神经网络的自监督伪迹检测系统原型，其避免了昂贵且费力的手动标注，仅需易于获取的“良好”数据用于训练。对于侵入式动脉血压的测试用例，我们证明该算法能以约 90% 的灵敏度与特异度检测 10 秒数据样本中伪迹的存在。此外，DeepClean 能高精度识别此类样本中的伪迹区域，并且我们展示其在信号重建与伪迹检测上均显著优于基于主成分分析的基线方法。DeepClean 学习了一个生成模型，因此也可用于缺失数据的插补。
引用
@article{arxiv.1908.03129,
title = {DeepClean -- self-supervised artefact rejection for intensive care waveform data using deep generative learning},
author = {Tom Edinburgh and Peter Smielewski and Marek Czosnyka and Stephen J. Eglen and Ari Ercole},
journal= {arXiv preprint arXiv:1908.03129},
year = {2020}
}
备注
12 pages, 7 figures, 2 tables; typos corrected, minor changes (results unchanged)