PhysioMTL：基于最优传输多任务回归的生理模式个性化
信号处理
2022-03-24 v1 机器学习
机器学习
摘要
心率变异性（HRV）是一种实用且无创的自主神经系统活动测量手段，在心血管健康中起着重要作用。然而，利用 HRV 评估生理状态颇具挑战。即便在临床环境中，HRV 也对身体活动、精神压力、水合、酒精和睡眠等急性应激源敏感。可穿戴设备提供了便捷的 HRV 测量，但测量的不规则性以及未捕获的应激源会使常规分析方法产生偏倚。为更好地解释 HRV 测量以用于下游医疗健康应用，我们学习了一种个性化昼夜节律，作为每个人的准确生理指标。我们通过将最优传输理论引入多任务学习（MTL）框架，开发了生理多任务学习（PhysioMTL）。所提方法从异质观测中学习个体特定的预测模型，并能够估计最优传输映射，该映射对每个任务在人口统计学特征上产生推前操作。我们的模型在合成与两个真实世界数据集的未观测预测任务上优于竞争的 MTL 方法。具体而言，在真实世界观察性研究中，仅给定 20% 的受试者，我们的方法在未见过的留出受试者上提供了卓越的预测结果。此外，我们的模型支持一个反事实引擎，可生成急性应激源与慢性疾病对 HRV 节律的影响。
引用
@article{arxiv.2203.12595,
title = {PhysioMTL: Personalizing Physiological Patterns using Optimal Transport Multi-Task Regression},
author = {Jiacheng Zhu and Gregory Darnell and Agni Kumar and Ding Zhao and Bo Li and Xuanlong Nguyen and Shirley You Ren},
journal= {arXiv preprint arXiv:2203.12595},
year = {2022}
}
备注
20 pages, 9 figures, accepted by CHIL 2022