可穿戴设备数据的生成模型
随着智能手表健康传感器数据在智能医疗应用和患者监测中的应用越来越广泛,其中包括压力检测,然而,这类医学数据往往包含敏感的个人信息且获取成本较高。为了应对这一挑战,我们介绍了隐私意识的合成多传感器智能手表健康读数和压力瞬间相关性的方法。我们的方法使用生成对抗网络(GANs)生成合成序列数据,并结合差分隐私(DP)技术在模型训练过程中保护患者信息。为了确保合成数据的可靠性,我们采用了一系列质量评估方法,并监测合成数据与原始数据之间的合理性。为了测试其实用性,我们在一个常用但规模较小的压力检测数据集上创建了私有的机器学习模型,并探索了如何通过合成数据来增强现有数据基础。通过我们基于 GAN 的增强方法,我们观察到模型在非隐私(0.45% F1)和隐私(11.90-15.48% F1)训练场景中的性能改善。我们强调了差分隐私合成数据在优化效用 - 隐私权衡中的潜力,尤其在真实训练样本有限的情况下。
Jan, 2024
本研究综述了生成模型在合成各种医学数据类型方面的广泛应用,探索了合成应用、生成技术和评估方法等方面的见解,强调了医学数据的唯一性和临床应用的需求。同时,研究也揭示了医学图像评估方法的不足之处,呼吁进行深入评估、基准测试和比较研究以促进开放和合作。
Jun, 2024
深度生成模型扩大了创建逼真合成健康数据集的潜力,但是仍然存在许多问题和挑战,包括如何评估合成数据集与原始真实数据集的相似性和预测效果,以及分享时的隐私风险。本文概述了合成健康数据领域的现状,包括生成和评估方法与工具,实际应用示例,监管和伦理环境,数据访问和治理选项,以及未来发展机会。
Jan, 2024
本文探讨使用生成式 AI 模型,如 GAN 和 VAE,为研究和培训创建逼真的匿名患者数据,以及在医疗保健中应用合成数据的益处、挑战和未来研究方向。
May, 2023
本研究使用最先进的合成数据生成方法并对在营养学领域的特定用例中生成的数据进行深入的质量分析,展示了对合成数据进行仔细分析的必要性,并通过扩展方法,全面分析从训练模型中抽样的效果,从而在所选择的用例中基本复现了重要的真实世界分析结果。
May, 2023
使用 Markov 过程生成多样化的用户行为,以测试针对移动健康干预的强化学习算法的健康合成开源合成数据生成器 HealthSyn,可生成基于真实行为和模拟技术的数据,用于开发、测试和评估研究中的 ML 算法和端到端操作 RL 基础干预交付框架。
Mar, 2023
本文介绍了一种通用的基准测试框架,以评估生成对抗网络等方法合成的医疗数据的实用性和隐私度量,并发现在共享用于电子健康记录的合成数据时存在实用性和隐私度量的折中。
Aug, 2022
通过将传感器数据分类任务转化成游戏,并引入深度强化学习和注意力机制,我们建立了一个具有竞争力的分类器,该分类器适用于具有复杂情况的应用领域,如医疗保健和娱乐等。
Apr, 2018