Jun, 2016

使用递归神经网络对临床时间序列中的缺失数据进行建模

PDF
TL;DR本文采用简单的策略解决临床时间序列中缺失数据的问题，通过将缺失数据视为特征，并利用简单的二进制指示器处理，实现了儿科重症监护病房（PICU）临床时间序列的多标签诊断分类预测。同时，我们也展示了基于缺失数据模式的训练模型不仅能刻画缺失数据信号，同时显示该信号的预测性可以超过部分疾病的测试结果本身。
发现论文，激发创造
  • 用于多变量时间序列的循环神经网络，含缺失值

    本研究提出一种基于 GRU 的深度学习模型 GRU-D，利用缺失模式中的缺失值及其时间间隔，成功地捕获时间序列中的长期时间依赖关系，提高了时间序列分类任务的预测性能，并为缺失值在时间序列分析中的更好理解和利用提供了有用的见解。

    Jun, 2016

  • 使用 LSTM 循环神经网络进行诊断学习

    本文探讨采用长短期记忆（LSTM）深度神经网络来挖掘多元时间序列的临床医疗数据，特别是在重症监护病房（ICU）中的应用，通过将 128 个诊断结果与 13 个临床测试指标进行分类建模，获得了优于其他多层感知机的分类效果。

    Nov, 2015

  • 利用多方向循环神经网络估算时间序列数据中的缺失值

    提出了一种基于新型深度学习结构的多方向循环神经网络方法，用于在数据流内插值和在数据流中添加值。模型在医疗数据集中的表现优于 11 个现有方法，提高了 35% 至 50% 左右的均方根误差，有效地解决了医疗数据中缺失数据的问题。

    Nov, 2017

  • 缺失数据下的序列预测：一种不需要填充的 RNN 方法

    该研究介绍了一种新颖的基于循环神经网络的解决方案，用于在缺失数据下进行序列预测。 与所有现有方法不同，该方法直接编码数据中的缺失模式而不是在模型构建之前或期间尝试填补数据。

    Aug, 2022

  • BRITS: 双向循环插值用于时间序列

    本论文提出 BRITS，一种基于递归神经网络的缺失值填充方法，可以处理多个相关的时间序列缺失值，并可以推广到具有非线性动态的时间序列。在三个真实世界数据集上验证了其有效性。

    May, 2018

  • 不规则采样时间序列的学习：缺失数据视角

    本文介绍一种基于变分自编码器和生成对抗网络的编码器 - 解码器框架，用于学习不规则采样的时间序列数据，提出了一种连续卷积层用于与现有神经网络体系结构高效对接。实验证明，该模型在不规则多元时间序列分类的结果上可以比最近的 RNN 模型表现得更好，同时具有显著更快的训练速度。

    Aug, 2020

  • 基于循环神经网络的临床时间序列分析迁移学习

    探究深度循环神经网络的迁移学习，使用预训练的 RNN 对多变量临床时间序列进行建模，提取通用特征来建立新的任务分类器。结果表明，相比于特定任务的 RNN，使用预训练模型的特征更加稳健且通用，性能更好。

    Jul, 2018

  • 基于时间的迭代插补策略用于多变量纵向临床数据

    本文提出了一种简单的新方法，即基于时间依赖的迭代插补（TDI），用于填补临床数据中的缺失值，该方法针对多变量和纵向数据，并基于数据的临床模式（包括缺失率和测量频率）引入了患者、变量和观察特定的动态加权策略。对 MIMIC III 和 COVID-19 住院病例进行的测试表明，TDI 可提高风险预测的准确性。

    Apr, 2023

  • 基于隐式神经表示的时间序列连续建模：插值与预测

    该研究提出了一种使用隐式神经表示法的时间序列建模方法，能够有效捕捉时间序列的连续性，并提供对处理缺失数据、不规则采样或多个传感器的不对齐观测等常见问题的自然解决方案，并通过实验表明，在预测和填充任务中取得了最先进的性能，能够灵活处理各种具有挑战性的场景。

    Jun, 2023

  • 使用注意力模型进行临床时间序列分析

    该论文针对临床时间序列数据，采用注意力机制代替循环神经网络，提出了一种新的架构 SAnD（Simply Attend and Diagnose），并证明该方法在多项诊断任务中表现优异，胜过 LSTM 模型和基于手工特征的经典基线模型。

    Nov, 2017