无特征集检测早产儿脑电图突发事件的机器学习

原文标题：Machine learningwithout a feature set for detecting bursts in the EEG of preterm infants

摘要：深度神经网络可以直接对数据进行学习，而无需构造特征集所需的领域知识。这种方法在几乎所有机器学习应用程序中都非常成功。我们提出了一个新的框架，它也可以直接从数据中学习，而不需要提取特征集。我们将此框架应用于早产儿脑电图的检测。脑电图记录在出生后几天内，一组婴儿，没有明显的脑损伤，出生后不到30周的妊娠期。该方法首先将时域信号转换为时频域，然后在时间-频率分布的每个时间切片上训练出一种机器学习方法，即梯度增强机。我们控制过采样的时频分布，显着地降低了内存和计算复杂度(<1%)。该方法的精度与现有的多特征方法相似：特征曲线下面积为0.98(95%置信区间为0.96~0.99)，中位灵敏度为95%，中位特异性为94%。该框架提供了一个准确、简单和计算效率高的实现，作为深度学习方法和手动生成特征集的替代方法。

地址： https://arxiv.org/abs/1907.06943

作者： John M. O'Toole, Geraldine B. Boylan