通过联邦合并听觉特征图谱整合听力学数据集
医学物理
2024-12-02 v2 声音
音频与语音处理
数据分析、统计与概率
摘要
听力学数据集包含关于患者听力损失的宝贵知识，这些知识可以通过数据驱动的联邦学习技术来挖掘。我们之前的方法将一个听力学数据集中的患者信息总结为不同的听觉特征图谱（APs）。然而，为了获得对听力学患者群体更好的估计，必须跨多个分离的数据集分析患者模式，并最终整合为一组组合的 APs。本研究旨在通过一个 AP 合并步骤扩展现有的特征图谱生成流程，使得能够根据不同数据集中 APs 在听力学测量指标上的相似性将其组合。使用从两个数据集共有特征的重叠密度得出的相似性分数，将先前生成的 13 个 APs（NA=595）与来自第二个数据集的 31 个新生成的 APs（NB=1272）进行合并。为确保临床适用性，针对包含不同听力学测量指标组合的各种场景创建了随机森林模型。提出了一组包含 13 个组合 APs 的新集合，提供了可分离的特征图谱，这些图谱仍能捕获来自各种测试结果组合的详细患者信息。这些特征图谱的分类性能令人满意。使用响度标度、听力图和言语测试信息的组合取得了最佳性能，而单一测量指标的表现最差。增强的特征图谱生成流程证明了跨数据集组合 APs 的可行性，这应能推广到所有数据集，并可能在未来形成一个可解释的全局特征图谱集。分类模型保持了临床适用性。
引用
@article{arxiv.2407.20765,
title = {Integrating audiological datasets via federated merging of Auditory Profiles},
author = {Samira Saak and Dirk Oetting and Birger Kollmeier and Mareike Buhl},
journal= {arXiv preprint arXiv:2407.20765},
year = {2024}
}