Flujos temporales latentes para el análisis multivariante de datos de dispositivos portátiles

El mayor uso de señales de sensores de dispositivos portátiles como fuentes ricas de datos fisiológicos ha despertado un interés creciente en el desarrollo de sistemas de control de la salud para identificar cambios en el perfil de salud de un individuo. De hecho, los modelos de aprendizaje automático para señales de sensores han permitido una amplia gama de aplicaciones relacionadas con la atención médica, incluida la detección temprana de anomalías, el seguimiento de la fertilidad y la predicción de efectos adversos de los medicamentos. Sin embargo, estos modelos pueden no tener en cuenta la naturaleza dependiente de alta dimensión de las señales del sensor subyacente. En este documento, presentamos Latent Temporal Flows, un método para el modelado de series de tiempo multivariado adaptado a esta configuración. Suponemos que se genera un conjunto de secuencias a partir de un modelo probabilístico multivariante de un vector latente de baja dimensión variable en el tiempo no observado. Latent Temporal Flows recupera simultáneamente una transformación de las secuencias observadas en representaciones latentes de menor dimensión a través de mapeos profundos de autocodificador, y estima un modelo probabilístico condicionado temporalmente a través de flujos de normalización. Con datos del Estudio del corazón y el movimiento de Apple (AH&MS), ilustramos un rendimiento de pronóstico prometedor en estas señales desafiantes. Además, al analizar las representaciones bidimensionales y tridimensionales aprendidas por nuestro modelo, mostramos que podemos identificar el VO2max de los participantes, un indicador principal y resumen de la aptitud cardiorrespiratoria, utilizando solo señales de nivel inferior. Finalmente, mostramos que el método propuesto supera consistentemente el estado del arte en los puntos de referencia de pronóstico de varios pasos (logrando al menos una mejora del 10% en el rendimiento) en varios conjuntos de datos del mundo real, mientras disfruta de una mayor eficiencia computacional.

Fuente del artículo

Deja un comentario