无特征集的机器学习用于检测早产儿 EEG 中的爆发
信号处理
2019-07-17 v1 机器学习
医学物理
摘要
深度神经网络能够直接基于数据进行学习，而无需构造特征集所需的领域知识。这种方法在几乎所有机器学习应用中都极为成功。我们提出了一种同样直接从数据学习、无需提取特征集的新框架。我们将该框架应用于检测早产儿 EEG 中的爆发。EEG 记录于出生后数日内，对象为胎龄 <30 周且无显著脑损伤的婴儿队列。该方法首先将时域信号变换到时频域，然后在时频分布的每个时间切片上训练一种机器学习方法——梯度提升机。我们通过显著降低（<1%）内存和计算复杂度来控制时频分布的过采样。所提方法达到了与现有多特征方法相似的准确度：特征曲线下面积为 0.98（95% 置信区间为 0.96 至 0.99），中位灵敏度为 95%，中位特异度为 94%。所提框架提供了一种准确、简单且计算高效的实现，作为深度学习方法和手动生成特征集的替代方案。
引用
@article{arxiv.1907.06943,
title = {Machine learning without a feature set for detecting bursts in the EEG of preterm infants},
author = {John M. O'Toole and Geraldine B. Boylan},
journal= {arXiv preprint arXiv:1907.06943},
year = {2019}
}