MTS-LOF：基于遮挡不变特征的医疗时间序列表示学习
机器学习
2024-04-02 v1 人工智能
摘要
医疗时间序列数据在医疗保健中不可或缺，为疾病诊断、治疗规划与患者管理提供关键洞见。由先进传感器技术驱动的数据复杂性的指数级增长，带来了与数据标注相关的挑战。自监督学习（SSL）已成为应对这些挑战的变革性方法，消除了对大量人工标注的需求。本研究中，我们引入一种名为MTS-LOF的医疗时间序列表示学习新框架。MTS-LOF利用对比学习与掩码自编码器（MAE）方法的优势，为医疗时间序列数据提供独特的表示学习途径。通过结合这些技术，MTS-LOF以提供更精细、富含上下文的表示，增强了医疗应用的潜力。此外，MTS-LOF采用多掩码策略以促进遮挡不变特征学习。该方法通过对数据部分进行掩码，使模型创建数据的多个视图。通过最小化这些掩码块与完全可见块表示之间的差异，MTS-LOF学会捕捉医疗时间序列数据集中的丰富上下文信息。在多样医疗时间序列数据集上的实验结果表明，MTS-LOF优于其他方法。这些发现有望通过改进表示学习来显著提升医疗应用。此外，我们的工作深入探讨了联合嵌入SSL与MAE技术的整合，揭示了医疗数据中时间与结构依赖之间复杂的相互作用。这种理解至关重要，因为它使我们能够把握医疗数据分析的复杂性。
引用
@article{arxiv.2310.12451,
title = {MTS-LOF: Medical Time-Series Representation Learning via Occlusion-Invariant Features},
author = {Huayu Li and Ana S. Carreon-Rascon and Xiwen Chen and Geng Yuan and Ao Li},
journal= {arXiv preprint arXiv:2310.12451},
year = {2024}
}