不规则采样的医学时间序列数据的深度学习方法综述
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
使用 SLAN(Switch LSTM Aggregate Network)模型,不需要填充缺失值即可对不规则采样时间序列(ISTS)进行建模,通过动态调整模型架构、利用不规则信息和全局摘要状态来实现对每个传感器的建模。
Sep, 2023
本文以五个时间序列健康数据集和六个实验条件为基准,展开数据中心的方法来评估最先进的深度插补方法,发现没有单一的插补方法在所有五个数据集上表现最佳,插补表现取决于数据类型,变量统计,缺失率和类型,这表明在选择多变量时间序列数据的缺失值插补方法时要考虑数据的特定情况。
Feb, 2023
本论文通过手工建模和学习内插嵌入,采用分离机制建模不规则的时间序列;采用时间注意力机制,将临床记录的一系列表示为多元不规则时间序列,并采用交织注意机制跨时间步骤进行多模态融合,以整合多模态表示。结果表明,我们提出的方法在单一模态和多模态情景下都优于现有方法,说明了我们方法的有效性和模拟不规则性的价值。
Oct, 2022
通过对最近提出的深度学习插补方法进行综合调查,本文首先提出了一种分类法,然后通过强调其优势和局限性对这些方法进行了结构化的审查。同时,我们还进行了实证实验,研究了不同方法并比较了它们对下游任务的改进效果。最后,指出了未来研究多变量时间序列插补的开放问题。
Feb, 2024
本研究基于数据时间聚类的不变性,提出了分析多变量临床时间序列数据的模型以及一种数据扩充技术方案,用于规范化深度神经网络中医学预测任务,该方法以评估医疗预测任务为基准,提高了其预测精度。
Apr, 2019
本文旨在利用图像分类的方式,将不规则采样的时间序列转换为线图像,应用于医疗应用中的时间序列分类问题,大大简化了算法设计,同时在多个数据集上显示出良好的性能,特别是在具有挑战性的离散传感器设置中,绝对 F1 分数提高了 54.0%。
Mar, 2023
提出了一种基于自监督变压器的多元时间序列数据建模方法,使用连续值嵌入技术对连续时间和变量值进行编码,避免了聚合或插值旧方法带来的问题,并利用自监督学习处理有限标记数据情况下的预测问题。在真实的多元临床时间序列基准数据集上进行了实验证明该方法的正确性。
Jul, 2021
本文提出了一种半监督时间序列插值方法 ST-Impute,该方法基于稀疏自注意力模型并结合上下游任务的标签数据和无标签数据,在时间序列插值质量和下游任务结果上优于现有的监督和非监督方法。
Apr, 2023
本篇论文针对电子健康档案中所涉及的稀疏、不规则采样、多变量的生理时序数据提出一种名为 Multi-Time Attention Networks 的多时间注意网络的深度学习框架,并使用多个数据集进行内插和分类任务的性能研究,结果表明该框架的性能优于许多基线和最近提出的模型,同时提供了比当前最先进方法更快的训练速度。
Jan, 2021