用于生物医学信号重建与分析的半监督栈式标签一致自编码器
信号处理
2019-12-30 v1 机器学习
摘要
本文提出一种基于自编码器的框架，用于生物医学信号的同步重建与分类。此前，重建与分类这两项任务被视为相互独立的问题。这是首项以整体方式提出联合框架解决该问题的工作。面向远程监护的生物医学信号重建技术主要基于压缩感知（CS）方法，这些是基于特定信号假设设计的重建公式化技术。本文提出一种重建新范式：我们通过学习来重建。可为此训练一个自编码器。但由于最终目标是对信号进行分析分类，我们在自编码器内部学习一个线性分类映射。 ensuing 优化问题使用 Split Bregman 技术求解。我们在 ECG 心律失常分类与 EEG 癫痫分类信号的重建与分类上进行了实验。我们提出的工具能够以半监督方式运行。我们表明，所提方法在重建上优于 CS 方法且速度快一个数量级以上，能够实现实时运行。我们的方法也优于近期提出的分类方法。意义：这是首项提供 CS 基重建替代方案的工作。它还表明，表示学习可比人工设计特征在信号分析中取得更好结果。
引用
@article{arxiv.1912.12127,
title = {Semi-supervised Stacked Label Consistent Autoencoder for Reconstruction and Analysis of Biomedical Signals},
author = {Anupriya Gogna and Angshul Majumdar and Rabab Ward},
journal= {arXiv preprint arXiv:1912.12127},
year = {2019}
}
备注
Final version accepted at IEEE Transactions on Biomedical Engineering