VAE-IF：基于平均的深度特征提取用于常规采集ICU时间序列的全无监督伪影检测
机器学习
2024-08-06 v2 信号处理
摘要
伪影是重症监护病房（ICU）及其他环境中收集的生理时间序列中的常见问题。它们影响临床研究和患者护理的质量与可靠性。伪影的人工标注成本高且耗时，使其不切实际。因此需要自动化方法。本文提出了一种新颖的全无监督方法，用于检测临床标准、分钟级分辨率的ICU数据中的伪影，无需任何先验标签或信号特定知识。我们的方法将变分自编码器（VAE）和孤立森林（IF）结合成一个混合模型，以学习特征并识别不同类型生命体征（如血压、心率、颅内压）中的异常。我们在真实世界的ICU数据集上评估了该方法，并与基于长短期记忆网络（LSTM）和XGBoost的有监督基准模型以及ARIMA等统计方法进行了比较。我们表明，我们的无监督方法达到了与全监督方法相当的灵敏度，并且能够很好地泛化到外部数据集。我们还可视化了VAE学习的潜在空间，并展示了其分离干净样本和噪声样本的能力。我们的方法为临床研究和实践中无需任何标签即可清理ICU数据提供了一种有前景的解决方案。
引用
@article{arxiv.2312.05959,
title = {VAE-IF: Deep feature extraction with averaging for fully unsupervised artifact detection in routinely acquired ICU time-series},
author = {Hollan Haule and Ian Piper and Patricia Jones and Chen Qin and Tsz-Yan Milly Lo and Javier Escudero},
journal= {arXiv preprint arXiv:2312.05959},
year = {2024}
}