来自健康日常活动的无监督预训练模型改进帕金森病步态模式分类
机器学习
2020-05-08 v2 计算机视觉与模式识别
机器学习
摘要
深度学习算法在不同医疗健康应用中的使用正稳步引起关注。然而，此类算法的使用可能具有挑战性，因为它们需要能捕捉不同可能变化的大量训练数据。这使得在临床环境中使用它们较为困难，因为在大多数健康应用中研究者往往不得不处理有限数据。较少的数据会导致深度学习模型过拟合。在本文中，我们探讨如何利用来自不同环境、不同用例且数据分布差异广泛的数据。我们通过使用健康受试者进行日常活动(ADLs，源数据集)的单传感器加速度计数据，提取与多传感器加速度计步态数据(目标数据集)相关的特征用于帕金森病分类，来例证该用例。我们使用源数据集训练预训练模型并将其作为特征提取器。我们表明，为目标数据集提取的特征可用于训练有效的分类模型。我们的预训练源模型由一个卷积自编码器组成，目标分类模型是一个简单的多层感知机模型。我们探索了两种使用不同活动组训练的预训练源模型，并分析了预训练模型的选择对帕金森病分类任务的影响。
引用
@article{arxiv.2005.02589,
title = {Unsupervised Pre-trained Models from Healthy ADLs Improve Parkinson's Disease Classification of Gait Patterns},
author = {Anirudh Som and Narayanan Krishnamurthi and Matthew Buman and Pavan Turaga},
journal= {arXiv preprint arXiv:2005.02589},
year = {2020}
}
备注
Accepted in the 42nd Annual International Conferences of the IEEE Engineering in Medicine and Biology Society (EMBC 2020)