利用个体新生儿数据进行癫痫检测的集成学习
信号处理
2022-08-26 v2 机器学习
摘要
由于数据保护法律及机构内部正式流程，机构间共享医疗数据在实践中十分困难。因此，大多数现有算法在相对较小的脑电图（EEG）数据集上训练，这可能不利于预测精度。在本工作中，我们通过将公开可用数据集拆分为代表各机构数据的互不相交集合，模拟了数据无法共享的情形。我们提出在各机构训练一个（本地）检测器，并将其各自预测聚合成一个最终预测。比较了四种聚合方案，即多数投票、均值、加权平均与 Dawid-Skene 方法。该方法在仅使用部分 EEG 通道的独立数据集上进行了验证。当各机构拥有足量数据时，该集成达到了与在所有数据上训练的单检测器相当的准确率。加权平均聚合方案表现最佳，仅在本地检测器接近在所有可用数据上训练的单检测器性能时，被 Dawid–Skene 方法微弱超越。
引用
@article{arxiv.2204.07043,
title = {Ensemble learning using individual neonatal data for seizure detection},
author = {Ana Borovac and Steinn Gudmundsson and Gardar Thorvardsson and Saeed M. Moghadam and Päivi Nevalainen and Nathan Stevenson and Sampsa Vanhatalo and Thomas P. Runarsson},
journal= {arXiv preprint arXiv:2204.07043},
year = {2022}
}