برای تفسیر Primes Training Training-in-the-the-inte

بدن انسان به طور مداوم سیگنال های مختلفی را تولید می کند که می تواند از خارج از بدن با دستگاه های پوشیدنی اندازه گیری شود. این سیگنال های زیستی-از ضربان قلب تا حالت خواب و سطح اکسیژن خون-می تواند نشان دهد که آیا کسی نوسانات خلقی دارد یا می تواند برای تشخیص انواع اختلالات بدن یا مغزی استفاده شود.
جمع آوری داده های سیگنال زیستی زیادی می تواند نسبتاً ارزان باشد. محققان می توانند یک مطالعه را سازماندهی کنند و از شرکت کنندگان بخواهند که برای چند روز از یک دستگاه پوشیدنی شبیه به ساعت هوشمند استفاده کنند. با این حال ، برای آموزش یک الگوریتم یادگیری ماشین برای یافتن رابطه بین یک سیگنال خاص و یک اختلال بهداشتی ، ابتدا باید الگوریتم را آموزش دهید تا آن اختلال را تشخیص دهید. این جایی است که مهندسان رایانه مانند خودم وارد می شوند.
بسیاری از ساعتهای هوشمند تجاری ، مانند مواردی توسط اپل ، آلیوسور ، گوگل و سامسونگ ، در حال حاضر از تشخیص فیبریلاسیون دهلیزی پشتیبانی می کنند. فیبریلاسیون دهلیزی یک نوع رایج از ریتم قلب نامنظم است و ترک آن بدون درمان می تواند منجر به سکته مغزی شود. یکی از راه های تشخیص خودکار فیبریلاسیون دهلیزی ، آموزش یک الگوریتم یادگیری ماشین است تا تشخیص دهد که فیبریلاسیون دهلیزی در داده ها چگونه به نظر می رسد.
این رویکرد یادگیری ماشین به مجموعه داده های بزرگ سیگنال نیاز دارد که در آن موارد فیبریلاسیون دهلیزی برچسب گذاری شده است. این الگوریتم می تواند از نمونه های دارای برچسب استفاده کند تا یاد بگیرد که رابطه بین فیبریلاسیون بیو سیگنالی و دهلیزی را تشخیص دهد.
چالش های کار با سیگنال های زیستی
فرآیند برچسب زدن می تواند بسیار گران باشد زیرا به متخصصان ، مانند متخصص قلب و عروق نیاز دارد تا میلیون ها نقطه داده را طی کنند و هر نمونه از فیبریلاسیون دهلیزی را برچسب گذاری کنند. همین مشکل در بسیاری از سیگنال ها و اختلالات دیگر گسترش می یابد.
برای حل این مسئله ، محققان در حال توسعه روش های جدید برای آموزش الگوریتم های یادگیری ماشین با برچسب های کمتری هستند. با آموزش اول یک مدل یادگیری ماشین برای پر کردن خالی از داده های سیگنال سیگنال در مقیاس بزرگ ، مدل یادگیری ماشین برای یادگیری رابطه بین یک سیگنال زیستی و یک اختلال با برچسب های کمتری آغاز می شود. به این امر پیش فرض گفته می شود. پیشگویی حتی به یک مدل یادگیری ماشین کمک می کند تا هنگامی که بر روی یک سیگنال کاملاً نامربوط پیش بینی می شود ، بین یک سیگنال زیستی و یک اختلال یاد بگیرد.
یافتن روابط بین سیگنال های زیستی و اختلالات به دلیل سر و صدا یا داده های بی ربط ، تفاوت بین سیگنال های زیستی افراد دشوار است و به دلیل اینکه رابطه بین یک سیگنال و اختلال ممکن است مشخص نباشد.
اول ، سیگنال های زیستی حاوی سر و صدای زیادی هستند. به عنوان مثال ، هنگامی که هنگام دویدن یک ساعت هوشمند می پوشید ، ساعت به دور حرکت می کند. این امر باعث می شود سنسور سیگنال زیستی در طول اجرا در مکان های مختلف ثبت شود. از آنجا که مکان ها در طول اجرا متفاوت است ، نوسانات در مقدار سیگنال زیستی ممکن است اکنون به دلیل تغییر در محل ضبط به دلیل فرآیندهای فیزیولوژیکی به دلیل تغییر در محل ضبط باشد.
دوم ، سیگنال های زیستی همه بی نظیر هستند. به عنوان مثال ، مکان رگ ها اغلب بین افراد متفاوت است. این بدان معنی است که حتی اگر ساعتهای هوشمند دقیقاً در همان مکان در مچ دست همه پوشیده شوند ، سیگنال زیستی مربوط به آن رگها متفاوت از یک شخص به شخص دیگر ثبت می شود. همان سیگنال اساسی ، مانند ضربان قلب شخصی ، منجر به مقادیر مختلف سیگنال می شود.
خود سیگنال زیرین نیز می تواند برای افراد یا گروه های افراد بی نظیر باشد. ضربان قلب در حال استراحت یک فرد متوسط حدود 60-80 ضرب در دقیقه است ، اما ورزشکاران می توانند ضربان قلب استراحت به حداقل 30-40 ضرب در دقیقه داشته باشند.
یادگیری پر کردن خالی ها
الگوریتم های یادگیری ماشین به محققان این امکان را می دهد تا از داده ها بیاموزند و پیچیدگی ، نویز و تغییرپذیری افراد را به خود اختصاص دهند. با استفاده از مجموعه داده های بزرگ سیگنال ، الگوریتم های یادگیری ماشین قادر به یافتن روابط واضحی هستند که برای همه اعمال می شود.
محققان می توانند از داده های سیگنال بدون برچسب به عنوان گرمی برای الگوریتم یادگیری ماشین استفاده کنند. این گرمایش یا پیش از آموزش ، الگوریتم یادگیری ماشین را برای یافتن رابطه بین سیگنال زیستی و یک اختلال قرار دهید. این کمی شبیه به پیاده روی در یک پارک است تا قبل از اینکه مسیری را برای دویدن طی کنید ، به زمین بیاید.
روش های زیادی برای پیش بینی الگوریتم یادگیری ماشین وجود دارد. در تحقیقات من با محقق آزمایشگاه های Dolby Lie Lu و تحقیقات قبلی ، به الگوریتم یادگیری ماشین آموزش داده می شود که جای خالی ها را پر کند.
توسعه سریعتر تشخیص اختلال
ایده پر کردن شکاف ها را می توان در سایر سیگنال های زیستی نیز تعمیم داد. تحقیقات قبلی نشان داده است ، و کار ما دوباره تأیید شده است که پیش بینی یک مدل بر روی یک سیگنال زیستی و بدون هیچ گونه برچسب ، به آن اجازه می دهد تا از نظر بالینی مفید از سایر سیگنال های زیستی با چند برچسب یاد بگیرند. این میانبر به این معنی است که محققان می توانند بر روی سیگنال های زیستی که به راحتی جمع آوری و استفاده از مدل یادگیری ماشین بر روی آنهایی که جمع آوری و برچسب زدن آن دشوار هستند ، انجام دهند.

منبع: shafaghnews.com
theconversation





