含噪时间序列数据的缺失数据插补及其在医疗保健中的应用
机器学习
2024-12-17 v1 应用统计
摘要
医疗保健时间序列数据对于监测患者活动至关重要，但由于传感器错误或数据中断等各种原因，通常包含噪声和缺失值。插补，即填补缺失值，是处理此问题的常用方法。在本研究中，我们比较了多种插补方法，包括基于随机森林的多重插补（MICE-RF）和先进的深度学习方法（SAITS、BRITS、Transformer），针对含噪、缺失的时间序列数据，在缺失率（10 % - 80 %）下评估了 MAE、F1-score、AUC 和 MCC 指标。结果表明，与深度学习方法相比，MICE-RF 能有效插补缺失数据，且插补后数据分类性能的提升表明插补具有去噪效果。因此，对存在缺失数据的时间序列使用插补算法，可同时提供去噪效果。
引用
@article{arxiv.2412.11164,
title = {Missing data imputation for noisy time-series data and applications in healthcare},
author = {Lien P. Le and Xuan-Hien Nguyen Thi and Thu Nguyen and Michael A. Riegler and Pål Halvorsen and Binh T. Nguyen},
journal= {arXiv preprint arXiv:2412.11164},
year = {2024}
}