基于 RNN 预测分类的临床试验中接球成功的早期识别
机器学习
2021-07-07 v1
摘要
运动障碍可影响与动态物体的交互，如接球。对接球临床试验的分类或可揭示臂与球运动关系中存在病理性改变。需在接球者首次触球前对接球尝试进行分类，故要求准确且早期的决策。为获临床有价值结果，所需决策置信度至少达 75%。因此须同时优化三个竞争目标：准确性、早期性与决策置信度。本文提出一种用于早期时间序列分类的耦合分类与预测方法：预测式生成递归神经网络（RNN）基于已有观测预测球轨迹后续数据点；判别式 RNN 基于可用数据点及展开序列预测持续生成分类猜测。我们将此方法（称预测序贯分类（PSC））与包括多种 RNN 及时间卷积网络（TCN）架构的先进序列学习器比较。在该困难真实任务上，PSC 就识别早期性而言在准确性与置信度上一致优于所有其他模型。具体而言，PSC 能在首次触球前早至 123 毫秒自信分类接球试验成败。我们结论：当需准确且自信决策时，PSC 是早期时间序列分类的有前景方法。
引用
@article{arxiv.2107.02442,
title = {Early Recognition of Ball Catching Success in Clinical Trials with RNN-Based Predictive Classification},
author = {Jana Lang and Martin A. Giese and Matthis Synofzik and Winfried Ilg and Sebastian Otte},
journal= {arXiv preprint arXiv:2107.02442},
year = {2021}
}
备注
Accepted by the 30th International Conference on Artificial Neural Networks (ICANN 2021)