临床EEG数据中信号事件的半自动标注
信号处理
2018-01-09 v1 数据库
机器学习
机器学习
摘要
为奏效，最先进的机器学习技术需要大量标注数据。医疗健康领域有许多引人注目的应用可从深度学习技术提供的高性能自动决策支持系统中受益，但它们缺乏应用复杂机器学习模型所需的全面数据资源。此外，出于经济原因，很难证明为这些应用创建大型标注语料库是合理的。因此，自动标注技术愈发重要。在本研究中，我们考察了使用主动学习算法自动标注大型EEG语料库的有效性。该算法旨在标注六类EEG事件。评估了两种模型训练方案，即基于阈值与基于体量。在基于阈值方案中，置信度分数阈值在初始训练迭代中优化，而基于体量方案仅在每次迭代后保留一定量数据。识别性能绝对提升2%，且系统能够自动标注先前未标注数据。鉴于临床EEG数据解读是极困难任务，本研究提供了一些证据，表明所提方法是昂贵人工标注的可行替代方案。
引用
@article{arxiv.1801.02476,
title = {Semi-automated Annotation of Signal Events in Clinical EEG Data},
author = {Scott Yang and Silvia Lopez and Meysam Golmohammadi and Iyad Obeid and Joseph Picone},
journal= {arXiv preprint arXiv:1801.02476},
year = {2018}
}
备注
Published in IEEE Signal Processing in Medicine and Biology Symposium. Philadelphia, Pennsylvania, USA