基于分层注意力的时间卷积网络用于医疗时间序列分类：以强直性肌营养不良诊断为例
机器学习
2019-03-29 v1
摘要
肌强直是指肌肉收缩后弛缓延迟，是强直性肌营养不良患者的主要症状。我们提出了一种基于分层注意力的时间卷积网络（HA-TCN），用于从握力时间序列数据中诊断强直性肌营养不良，并引入了使模型可解释的机理。我们将HA-TCN模型的性能与基准TCN模型、带或不带注意力机制的LSTM模型以及具有手工特征的SVM方法进行比较。在分类准确率和F1分数方面，我们发现所有深度学习模型具有相似的性能水平，且均优于SVM。此外，无论网络深度如何，HA-TCN模型在计算效率上均优于其TCN对应模型；尤其在隐藏层数量较少时，在性能方面也表现更优。最后，HA-TCN模型能够稳定识别握力时间序列弛缓阶段的相关时间序列段，并且与基于注意力的LSTM模型相比表现出更强的噪声鲁棒性。
引用
@article{arxiv.1903.11748,
title = {Medical Time Series Classification with Hierarchical Attention-based Temporal Convolutional Networks: A Case Study of Myotonic Dystrophy Diagnosis},
author = {Lei Lin and Beilei Xu and Wencheng Wu and Trevor Richardson and Edgar A. Bernal},
journal= {arXiv preprint arXiv:1903.11748},
year = {2019}
}