SpiroActive：用于肺活量测定高效数据采集的主动学习
机器学习
2024-10-31 v1 人工智能
人机交互
摘要
呼吸系统疾病是全球重大的健康负担。呼吸系统疾病，主要是慢性阻塞性肺疾病(COPD)，是全球健康状况不佳的第七大原因，也是全球第三大死亡原因，在2019年导致323万人死亡，因此早期识别和诊断对于有效缓解至关重要。在所使用的诊断工具中，肺活量测定在检测呼吸系统异常方面起着关键作用。然而，传统的临床肺活量测定方法通常涉及相当大的成本和实际限制，例如需要专用设备、训练有素的人员和专门的临床环境，使其可及性较低。为应对这些挑战，可穿戴肺活量测定技术作为有前景的替代方案出现，提供了准确、经济且便捷的解决方案。用于可穿戴肺活量测定的机器学习模型的开发在很大程度上依赖于高质量地面真值肺活量测定数据的可用性，而这是一项费力且昂贵的工作。在本研究中，我们提出使用主动学习（机器学习的一个子领域）来缓解与数据收集和标注相关的挑战。通过从地面真值肺活量计中策略性地选择样本，我们可以减轻对资源密集型数据收集的需求。我们提供的证据表明，在通过主动学习获得的小子集上训练的模型，其性能可与在完整数据集上训练的模型相媲美甚至更好。
引用
@article{arxiv.2410.22950,
title = {SpiroActive: Active Learning for Efficient Data Acquisition for Spirometry},
author = {Ankita Kumari Jain and Nitish Sharma and Madhav Kanda and Nipun Batra},
journal= {arXiv preprint arXiv:2410.22950},
year = {2024}
}