基于 LSTM 网络生成式提升的生命体征长距离预测
机器学习
2019-11-18 v1 信号处理
摘要
包括心率、呼吸率、体温和血压在内的生命体征在临床决策过程中至关重要。有效的生命体征早期预测有助于提前警示医疗从业者，并可能预防不良健康结局。在本文中，我们提出一种称为生成式提升的新方法，以有效进行生命体征的早期预测。生成式提升由一个生成模型（为未来若干时间步生成合成数据）与若干预测模型（基于观测与生成的数据直接进行长距离预测）组成。我们探索以长短期记忆（LSTM）作为预测与生成模型的生成式提升，得到一种称为生成式 LSTM（GLSTM）的方案。我们的实验表明，无论是否采用生成式提升，GLSTM 均优于多种强基准模型。最后，我们使用基于互信息的聚类算法选取更具代表性的数据集来训练 GLSTM 的生成模型。这显著提升了高变异生命体征（如心率与收缩压）的长距离预测性能。
引用
@article{arxiv.1911.06621,
title = {Long-range Prediction of Vital Signs Using Generative Boosting via LSTM Networks},
author = {Shiyu Liu and Mehul Motani},
journal= {arXiv preprint arXiv:1911.06621},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract