评估可穿戴时间序列上的对比学习对下游临床结果的作用
机器学习
2021-11-16 v1 信号处理
摘要
大量个人生成的健康数据(可穿戴设备)被收集,但为其标注以输入机器学习模型的过程并不现实。本文讨论了先前应用于视觉领域的、使用对比损失的自监督方法(如 SimCLR 和 BYOL)如何应用于高维健康信号,以完成涵盖睡眠、心脏和代谢疾病的多种疾病的下游分类任务。为此,我们调整了数据增强步骤和整体架构以适应数据(可穿戴轨迹)的时间特性,并通过与其他最先进方法(包括监督学习和对抗式无监督表示学习方法)比较,在 5 个下游任务上进行了评估。我们表明,在大多数下游评估任务中 SimCLR 优于对抗式方法和全监督方法,且所有自监督方法均优于全监督方法。本工作为应用于可穿戴时间序列领域的对比方法提供了全面基准,展示了面向下游临床结果的任务无关表示的前景。
引用
@article{arxiv.2111.07089,
title = {Evaluating Contrastive Learning on Wearable Timeseries for Downstream Clinical Outcomes},
author = {Kevalee Shah and Dimitris Spathis and Chi Ian Tang and Cecilia Mascolo},
journal= {arXiv preprint arXiv:2111.07089},
year = {2021}
}
备注
Machine Learning for Health (ML4H) - Extended Abstract