TNANet：面向含噪生理数据的自杀意念预测的时序噪声感知神经网络
计算机与社会
2024-01-24 v1 机器学习
摘要
在存在固有噪声的情况下，深度学习模型的稳健泛化仍然是一个重大挑战，尤其是当标签具有主观性且噪声在自然环境中难以辨别时。这一问题在许多实际应用中尤为突出。在本文中，我们探讨了监测自杀意念这一特殊且重要的场景，其中时间序列数据（如光电容积脉搏波描记法，PPG）容易受到此类噪声的影响。当前方法主要关注图像和文本数据，或处理人为引入的噪声，忽略了时间序列分析中自然噪声的复杂性。为了解决这一问题，我们引入了一种专为分析含噪生理时间序列数据而设计的新型神经网络模型，名为 TNANet，该模型融合了先进的编码技术与置信学习，提升了预测准确性。我们工作的另一项贡献是收集了一个源自真实世界环境的 PPG 信号专用数据集，用于自杀意念预测。采用该数据集，我们的 TNANet 在二分类任务中达到了 63.33% 的预测准确率，优于 SOTA 模型。此外，我们还在另外三个带有引入人工噪声的知名公开数据集上进行了全面评估，以严格测试 TNANet 的能力。这些测试一致表明，与基线方法相比，TNANet 的准确率提升了 10% 以上，展现出优越的性能。
引用
@article{arxiv.2401.12733,
title = {TNANet: A Temporal-Noise-Aware Neural Network for Suicidal Ideation Prediction with Noisy Physiological Data},
author = {Niqi Liu and Fang Liu and Wenqi Ji and Xinxin Du and Xu Liu and Guozhen Zhao and Wenting Mu and Yong-Jin Liu},
journal= {arXiv preprint arXiv:2401.12733},
year = {2024}
}