SHIP：一种用于可解释人机呼吸机异步检测的 Shapelet 方法
机器学习
2025-03-14 v2 人工智能
摘要
人机呼吸机异步 (PVA) 是机械通气期间常见且关键的问题，影响多达 85% 的患者。PVA 可导致不适、睡眠中断等临床并发症，以及潜在的更严重病症，如呼吸机诱导的肺损伤和膈肌功能障碍。传统的 PVA 管理依赖于医护人员的手动调整，由于延迟和错误往往效果不佳。尽管已经开发了多种计算方法（包括基于规则、统计和深度学习的方法）来检测 PVA 事件，但它们面临数据集不平衡和缺乏可解释性的挑战。在本工作中，我们提出了一种基于 shapelet 的方法 SHIP 用于 PVA 检测，利用 shapelet——时间序列数据中的判别性子序列——来增强检测准确性和可解释性。我们的方法通过基于 shapelet 的数据增强解决了数据集不平衡问题，并构建了一个 shapelet 池来转换数据集以实现更有效的分类。随后，将 shapelet 和统计特征结合用于分类器中以识别 PVA 事件。在医疗数据集上的实验结果表明，SHIP 显著提升了 PVA 检测效果，同时为模型决策提供了可解释的见解。
引用
@article{arxiv.2503.06571,
title = {SHIP: A Shapelet-based Approach for Interpretable Patient-Ventilator Asynchrony Detection},
author = {Xuan-May Le and Ling Luo and Uwe Aickelin and Minh-Tuan Tran and David Berlowitz and Mark Howard},
journal= {arXiv preprint arXiv:2503.06571},
year = {2025}
}
备注
Accepted at PAKDD 2025