Deep Latent Variable Modeling of Physiological Signals

要約

深い潜在変数モデルは、複雑な分布を把握するための強力な方法です。
これらのモデルは、観測されていない基礎的な構造がデータ内に存在することを前提としています。
この論文では、潜在変数モデルを使用して生理学的モニタリングに関連する高次元の問題を調査します。
まず、光学的に取得した信号を入力として使用して心臓の電気波形を生成する新しい深状態空間モデルを提示します。
これにより、ウェアラブルデバイスを介した簡単な評価によって心臓病の臨床診断が可能になります。
次に、確率的グラフィカル モデルと深層敵対的学習の長所を組み合わせた脳信号モデリング スキームを紹介します。
構造化された表現は、解釈可能性を提供し、誘導バイアスをエンコードして、神経振動のデータの複雑さを軽減できます。
学習された表現の有効性は、教師なし学習問題として定式化されたてんかん発作検出においてさらに研究されています。
第三に、生理学的測定と行動の共同モデリングのためのフレームワークを提案します。
提供された脳データの複数のソースを組み合わせる既存の方法には限界があります。
さまざまな種類の生理学的測定値間の関係を直接分析する場合、通常は行動データは必要ありません。
私たちの方法は、行動に対する脳領域の固有かつ共有された寄与を特定することができ、脳領域の新しい機能を発見するために使用できます。
これらの革新的な計算手法が成功すれば、種を超えてバイオマーカーの発見を翻訳できるようになり、多数の生物学的研究や臨床診断、さらには新たな消費者向けアプリケーションにおける神経認知分析への洞察が得られるでしょう。

要約(オリジナル)

A deep latent variable model is a powerful method for capturing complex distributions. These models assume that underlying structures, but unobserved, are present within the data. In this dissertation, we explore high-dimensional problems related to physiological monitoring using latent variable models. First, we present a novel deep state-space model to generate electrical waveforms of the heart using optically obtained signals as inputs. This can bring about clinical diagnoses of heart disease via simple assessment through wearable devices. Second, we present a brain signal modeling scheme that combines the strengths of probabilistic graphical models and deep adversarial learning. The structured representations can provide interpretability and encode inductive biases to reduce the data complexity of neural oscillations. The efficacy of the learned representations is further studied in epilepsy seizure detection formulated as an unsupervised learning problem. Third, we propose a framework for the joint modeling of physiological measures and behavior. Existing methods to combine multiple sources of brain data provided are limited. Direct analysis of the relationship between different types of physiological measures usually does not involve behavioral data. Our method can identify the unique and shared contributions of brain regions to behavior and can be used to discover new functions of brain regions. The success of these innovative computational methods would allow the translation of biomarker findings across species and provide insight into neurocognitive analysis in numerous biological studies and clinical diagnoses, as well as emerging consumer applications.

arxiv情報

著者 Khuong Vo
発行日 2024-05-29 17:07:33+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG パーマリンク