Apr, 2024

社区老龄人群多功能退化建模的深度表示学习

PDF
TL;DR本研究介绍了一种多功能退化建模的新框架，通过利用深度学习，预测健康退化分数并揭示老年人健康历史的潜在异质性，从而提供了对老年人退化多样效应和原因的高效估计和可解释洞察。一个真实案例研究证明了该方法的有效性，为准确建模老年衰退的复杂动态以及应对老龄化人口的医疗挑战做出了重要贡献。
aging populationmultifunctional disabilitiesdegradation modelingdeep learninghealthcare challenges
发现论文，激发创造
  • 基于深度学习的具有不确定故障模式的资产剩余寿命预测

    该研究介绍了两个将混合（对数）位置 - 尺度分布与深度学习相结合的预测模型，以应对多个故障模式的系统中存在的多重重叠降级信号、未标记历史数据的存在以及不同故障模式之间信号的相似性等挑战，并验证了这些模型相对于现有方法的卓越性能。

    May, 2024

  • 基于无监督和半监督深度学习方法开发考虑发病率和死亡率的深度生物学年龄

    本文提出了一种新型深度学习模型，利用健康体检数据以及发病率和死亡率信息来学习生物老化与临床特征之间的复杂关系，与 KDM 和其他学习模型相比，在大规模普通人群数据集的评估中，该模型获得了更优秀的判别力。

    Feb, 2023

  • 多模态分层多任务深度学习框架，用于联合预测和解释阿尔茨海默病进展

    该研究提出了一种多模态分层多任务学习方法，可以在访问轨迹的每个时间点监控疾病进展的风险，并且相较于最先进的基线模型，在预测阿尔茨海默病进展风险和综合评分上表现更好。

    Apr, 2024

  • 阿尔茨海默病恶化预测的机器学习方法

    本文探讨了使用机器学习预测阿尔茨海默病恶化的能力，并在 Alzheimers Disease Neuroimaging Initiative 的数据集上使用了六种机器学习模型。最后展示了对两组数据的预测效果，即针对健康组和轻微认知障碍组的恶化预测，分别使用了 CART 和 Elastic Net 获得了较好的结果。

    Jun, 2023

  • 基于深度生成模型的半监督学习用于资产故障预测

    本研究提出了一种基于深度神经网络参数化的生成模型和非线性嵌入技术的半监督学习方法，用于在历史数据中只部分了解健康状况的情况下建立资产故障的数据驱动建模。该方法可以使用有限的健康状况信息构建预测模型，精确预测未来资产的可靠性，实验结果表明深度生成模型所基于的非线性嵌入技术可以有效规范复杂模型，并实现高预测精度，不受健康状况信息可用性的影响。

    Sep, 2017

  • 通过退化模型学习多样化神经文本生成技术

    通过训练两个模型来防止神经语言模型生成单一和重复的文本，从而增强多样性和信息量，实验证明这种方法的有效性。

    Sep, 2023

  • 利用可穿戴设备的机器学习模型自主识别认知能力较弱的老年人

    穿戴设备预测模型、认知损害、机器学习模型、预测特征、持续健康监测

    Aug, 2023

  • 未知故障模式下的退化建模与预测分析

    该研究提出了一种基于降维技术 UMAP 的故障模式诊断方法，通过将每个单元的退化轨迹投影和可视化到低维空间，并利用这些退化轨迹开发基于时间序列的聚类方法来识别训练单元的故障模式。最后，引入一种具有单调约束的预测模型，能够同时预测测试单元的故障模式标签和剩余寿命，并保持剩余寿命预测值在连续时间步长中的单调性。该模型通过飞机燃气涡轮发动机数据集进行了验证。

    Feb, 2024

  • 利用预训练和基于 Transformer 的 EHR 嵌入来表征阿尔茨海默氏病及相关痴呆症之间的异质性

    阿尔茨海默病是一种进展性的神经退行性疾病，全球有 5000 万人患病。尽管这是一种重大的健康负担，可用于治疗该疾病的方法有限，并且其根本原因仍然不明。我们使用无监督学习技术对来自一组记忆障碍患者的电子健康记录进行特征化分析，以揭示该疾病人群的异质性。通过对医疗代码的预训练嵌入以及基于 Transformer 的临床 BERT 嵌入对患者电子健康记录进行编码，我们确认了亚群体的存在，并讨论了它们的临床意义。

    Mar, 2024

  • 复杂脑部疾病预测的不完整多模态学习

    本文提出了一种新的不完全多模态数据整合方法，利用变压器和生成对抗网络，利用辅助模态数据来提高单模态模型的性能，并将其应用于预测阿尔茨海默病的认知退化和疾病结果。

    May, 2023