基于贝叶斯的新生儿脑成熟度EEG评估中的特征重要性
人工智能
2010-02-25 v1
摘要
贝叶斯模型平均方法被应用于从睡眠脑电图评估新生儿脑成熟度。理论上，该方法能提供最准确的决策不确定性评估。然而，现有的贝叶斯模型平均技术已被证明在缺乏某些先验信息（这些信息使得在合理时间内能详细探索模型参数空间）时会产生有偏的评估。细节的缺乏导致后验分布采样不成比例。在脑成熟度的脑电图评估案例中，由于缺乏关于脑电图特征重要性的信息，贝叶斯模型平均结果可能产生偏差。本文探讨了如何利用关于脑电图特征的后验信息来减少不成比例采样对贝叶斯模型平均性能的负面影响。我们使用从睡眠新生儿记录的脑电图数据来测试所提出的贝叶斯模型平均技术的效率。
引用
@article{arxiv.1002.4522,
title = {Feature Importance in Bayesian Assessment of Newborn Brain Maturity from EEG},
author = {L. Jakaite and V. Schetinin and C. Maple},
journal= {arXiv preprint arXiv:1002.4522},
year = {2010}
}
备注
Proceedings of the 9th WSEAS International Conference on Artificial Intelligence, Knowledge Engineering and Data Bases (AIKED), University of Cambridge, UK, 2010, edited by L. A. Zadeh et al, pp 191 - 195