Dec, 2023

VAE-IF: 无监督获取常规获得的 ICU 时间序列中的深度特征提取和平均的异常检测

PDF
TL;DR无需任何标签或信号特定知识，我们提出了一种新颖的无监督方法来检测临床标准分钟级分辨率 ICU 数据中的伪迹，该方法结合了变分自动编码器（VAE）和孤立森林（iForest）模型来学习特征并识别不同类型的生命体征异常，例如血压、心率和颅内压。我们在实际 ICU 数据集上评估了我们的方法，并将其与基于长期短期记忆（LSTM）和 XGBoost 的监督模型进行了比较。我们证明了我们的方法实现了可比较的敏感性，并且在外部数据集上具有很好的泛化能力。我们还可视化了 VAE 学习到的潜在空间，并展示了它区分干净和噪声样本的能力。我们的方法为清洁临床研究和实践中的 ICU 数据提供了有希望的解决方案。
artifactsphysiological time-series dataicuunsupervised approachclinical research
发现论文，激发创造
  • 使用变分自动编码器进行无监督异常定位

    提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

    Jul, 2019

  • 基于深度去噪自编码器的非侵入式动脉 - 静脉瘘血流检测

    该论文提出了一种基于深度降噪自编码器并利用表示学习的方法，来提取血管皮瘘病患者的听诊特征，该方法适用性更广和更具有普适性。

    Jun, 2023

  • 常规收集的多变量 ICU 生理信号中的共同潜在表示的协作学习

    在重症监护室（ICU）中，多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录（EHR）的研究不同，本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤的概念相结合，识别出患者之间共同的生理状态。在实际世界的 ICU 临床数据中测试，我们的方法在脑损伤患者颅内高压（IH）检测方面取得了 0.889 的曲线下面积（AUC）和 0.725 的平均精度（AP）。此外，我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。

    Feb, 2024

  • 用于非监督异常检测的上下文编码变分自编码器

    本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

    Dec, 2018

  • 时间序列异常检测中的弱增强变分自动编码器

    结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

    Jan, 2024

  • 医学图像非监督异常检测中的隐式场学习

    提出了一种基于隐式场图像表示的医学图像无监督的脱离分布检测方法，应用于脑 MR 图像中的胶质瘤本地化任务，结果表明该方法显著优于其他基于 VAE 的异常检测方法（平均 DICE 0.640 vs 0.518），同时需要更少的计算时间。

    Jun, 2021

  • 基于预测性变分自编码器的时间序列数据鲁棒表示学习

    利用预测时间下一节点以及基于时间平滑性的模型选择度量，我们提出了一种能够减轻 VAE 学习虚假特征，并能在合成数据集中准确恢复潜在因素的 VAE 架构。

    Dec, 2023

  • 通过建立感知特征模型进行异常检测定位

    本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

    Aug, 2020

  • 具有变分自编码器的快速基于粒子的异常检测算法

    我们提出了一种基于粒子的变分自编码器（VAE）异常检测算法 Set-VAE，该算法在与传统基于子结构的喷注选择相比下，实现了 2 倍的信号效率提高。此外，为了未来部署到触发系统，我们提出了 CLIP-VAE，使用 KL 散度作为异常得分，从而减少推理时间成本，加快 2 倍的延迟速度，并减少缓存需求。

    Nov, 2023

  • 重温 VAE 的无监督时间序列异常检测：一种频率视角

    我们提出了一种新的无监督异常检测方法 FCVAE，通过同时集成全局和局部频率特征，显著提高了正常数据的重构准确性，以解决基于 VAE 的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的 “目标注意力” 机制，我们的方法能够从频域选择最有用的信息以更好地构建短周期趋势。在公开数据集和大规模云系统上对 FCVAE 进行了评估，结果表明它优于最先进的方法，验证了我们的方法在解决当前基于 VAE 的异常检测模型的局限性方面的实际适用性。

    Feb, 2024