随机稀疏抽样：用于可变长度医学时间序列分类的框架
机器学习
2024-10-23 v2
摘要
虽然大多数时间序列分类研究都聚焦于建模固定长度序列，但变量长度时间序列分类(VTSC)在医疗保健领域仍至关重要，此时序列长度可能因患者和事件而异。为解决这一挑战，我们提出一种新颖的VTSC框架，即 Stochastic Sparse Sampling(SSS)，专为医学时间序列设计。SSS通过稀疏抽样固定窗口来计算局部预测，然后聚合校准以形成全局预测。我们将SSS应用于癫痫发作区(SOZ)定位，这是一个关键VTSC问题，需要从变长电生理时间序列中识别癫痫诱发脑区。我们在Epilepsy iEEG Multicenter Dataset上对方法进行评估，该数据集来自四个独立医疗中心的异构脑内电生理(EEG)记录。SSS在大多数医疗中心与SOTA基线相比表现出优异性能，在所有离分布(OOD)未见医疗中心也表现出色。此外，SSS天然提供了关于局部信号特征与SOZ相关的后验见解，通过可视化整个信号中各时间点局部预测的平均值来实现。
关键词
引用
@article{arxiv.2410.06412,
title = {Stochastic Sparse Sampling: A Framework for Variable-Length Medical Time Series Classification},
author = {Xavier Mootoo and Alan A. Díaz-Montiel and Milad Lankarany and Hina Tabassum},
journal= {arXiv preprint arXiv:2410.06412},
year = {2024}
}
备注
20 pages, 8 figures, 2 tables