在多示例学习问题中利用无标签数据以改进自由生活条件下帕金森震颤的检测
摘要
近年来，用于远程检测帕金森病及其运动症状的数据驱动方法大量涌现，这归功于早期诊断的潜在临床益处。此类方法的圣杯是自由生活场景，即数据在日常生活的连续、无干扰收集中获得。然而，获取细粒度真值与保持无干扰相矛盾，因此该问题通常通过多示例学习来解决。但对于大规模研究，即便获取必要的粗粒度真值也非易事，因为需要进行完整的神经学评估。相比之下，大规模收集无任何真值的数据要容易得多。尽管如此，在多示例设定下利用无标签数据并不简单，因为该主题极少受到研究关注。在此我们试图填补这一空白，提出一种将半监督学习与多示例学习相结合的新方法。我们的方法建立在虚拟对抗训练（Virtual Adversarial Training）原理之上——一种用于常规半监督学习的先进方法——我们对其进行了适当的适配和修改以适用于多示例设定。我们首先通过在两个知名基准数据集生成的合成问题上的概念验证实验确立了所提方法的有效性。随后我们转向实际任务：从野外采集的手部加速度信号中检测 PD 震颤，但存在额外的完全无标签数据。我们表明，通过利用 454 名受试者的无标签数据，我们能在已知震颤真值的 45 名受试者队列中，实现每受试者震颤检测的大幅性能提升（F1 分数最高提升 9%）。
引用
@article{arxiv.2305.00249,
title = {Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions},
author = {Alexandros Papadopoulos and Anastasios Delopoulos},
journal= {arXiv preprint arXiv:2305.00249},
year = {2023}
}
备注
A. Papadopoulos and A. Delopoulos, "Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions," in IEEE Journal of Biomedical and Health Informatics, doi: 10.1109/JBHI.2023.3267095