利用反向捷径连接进行多模态数据中睡眠呼吸暂停检测的传感器融合
机器学习
2020-05-20 v2 信号处理
机器学习
摘要
睡眠呼吸暂停是一种以夜间呼吸停顿为特征的常见呼吸障碍。未经治疗的睡眠呼吸暂停后果可能很严重。然而，由于医院床位和受过训练的睡眠技术员短缺，许多人仍未确诊。为辅助诊断过程，自动化检测方法正在开发中。近期工作表明，深度学习模型能从原始呼吸数据中提取有用信息，且此类模型可用作鲁棒的睡眠呼吸暂停检测器。然而，受过训练的技术员在标注睡眠记录时会考虑多个传感器信号，而非仅依赖单一呼吸估计。为提升模型的预测性能与可靠性，本文探讨了早期与晚期传感器融合方法。此外，提出了一种新颖的晚期传感器融合方法，其利用反向捷径连接来改善模型前阶段的学习。使用CNN以及LSTM深度学习基模型分析了这些融合方法的性能。结果表明，通过所提带反向捷径连接的传感器融合方法，预测性能相较单传感器方法及所探讨的其他传感器融合方法均有显著且一致的提升。
引用
@article{arxiv.1912.06879,
title = {Sensor Fusion using Backward Shortcut Connections for Sleep Apnea Detection in Multi-Modal Data},
author = {Tom Van Steenkiste and Dirk Deschrijver and Tom Dhaene},
journal= {arXiv preprint arXiv:1912.06879},
year = {2020}
}
备注
Paper presented at ML4H (Machine Learning for Health) workshop at NeurIPS 2019. https://ml4health.github.io/2019/