使用基于自注意力的深度学习方法对平滑追踪眼动中的缺失数据进行插补

缺失数据是时间序列中的一个相关问题，尤其是在生物医学序列中，例如对应于平滑追踪眼动的序列，这些序列通常由于眨眼和追踪丢失而包含间隙，使分析和提取有意义的生物标志物变得复杂。本文提出了一种新颖的插补框架，使用基于自注意力的时间序列插补网络，该网络利用深度学习和自注意力机制来插补缺失数据。我们进一步使用定制的自编码器细化插补后的数据，该自编码器专为表示平滑追踪眼动序列而定制。所提出的方法使用来自 172 名帕金森患者和健康对照者的 5,504 个序列进行了实现。结果表明，与其他最先进的技术相比，重建眼动序列的准确性有显著提高，大幅降低了常见时域误差指标（如平均绝对误差、平均相对误差和均方根误差）的值，同时还保留了信号的频域特征。此外，该方法在缺失大区间数据时表现出鲁棒性。该方法为稳健处理时间序列中的缺失数据提供了替代方案，提高了平滑追踪分析在神经退行性疾病筛查和监测中的可靠性。