基于多尺度分解的随机卷积核用于早产儿 EEG 爆发间检测
信号处理
2021-08-05 v1 机器学习
摘要
带有随机卷积核的线性分类器是无需设计或领域知识、计算高效的方法。与深度神经网络不同，无需手工设计网络架构；卷积核随机生成，仅需训练线性分类器。最近提出的一种方法，随机卷积核变换（ROCKETs），在一系列时间序列数据集上表现出高准确率。本文提出该方法的多尺度版本，同时使用高频和低频分量。我们将方法应用于对 36 名胎龄小于 30 周的早产儿记录的早产儿 EEG 队列进行爆发间检测。通过岭回归将 10,000 个随机核卷积得到的两个特征进行组合。所提出的多尺度 ROCKET 方法优于无尺度方法：多尺度的 Matthews 相关系数（MCC）中位数（四分位距，IQR）为 0.859（0.815 至 0.874），无尺度为 0.841（0.807 至 0.865），p<0.001。所提方法落后于一种利用深层领域知识开发的基于特征的机器学习方法，但训练快速，并能为通用和生物医学时间序列分类迅速设定初始基线性能阈值。
引用
@article{arxiv.2108.02039,
title = {Random Convolution Kernels with Multi-Scale Decomposition for Preterm EEG Inter-burst Detection},
author = {Christopher Lundy and John M. O'Toole},
journal= {arXiv preprint arXiv:2108.02039},
year = {2021}
}
备注
5 pages, 3 figures, to be published in European Signal Processing Conference (EUSIPCO) 2021. For associated python code on github, see https://github.com/otoolej/ms_rocket