El cuerpo humano crea constantemente diferentes señales que se pueden medir fuera del cuerpo con dispositivos de transporte. Estas señales biológicas, desde la frecuencia cardíaca hasta el nivel y el oxígeno sanguíneo, pueden indicar si alguien tiene un cambio de humor o puede usarse para diagnosticar una variedad de trastornos corporales o cerebrales.
Puede ser relativamente barato recopilar muchos datos de bio-señal. Los investigadores pueden organizar un estudio y pedir a los participantes que usen el dispositivo de carga en SmartWatch durante unos días. Sin embargo, para aprender un algoritmo de aprendizaje automático para encontrar una relación entre una cierta bio-señal y un trastorno de salud, primero debe aprender el algoritmo para reconocer ese trastorno. Estoy aquí para ingresar a ingenieros de computadora como él.
Muchas casas inteligentes comerciales inteligentes, como Apple, Alivekor, Google y Samsung, actualmente están admitiendo la detección de la fibrilación de atrios. La fibrilación de Atrian es un tipo común de frecuencia cardíaca irregular y dejarla sin tratar puede provocar accidente cerebrovascular. Una forma de descubrir la fibrilación auricular automáticamente es entrenar el algoritmo de aprendizaje automático para reconocer cómo se ve la fibrilación auricular en los datos.
Este acceso al aprendizaje de la máquina requiere excelentes datos de datos de biografía en los que se marcan los casos de fibrilación de aurículas. El algoritmo puede usar las instancias marcadas para aprender a reconocer la relación entre la bio-señal y la fibrilación auricular.
El proceso de etiquetado puede ser bastante costoso porque requiere que los expertos, como los cardiólogos, pasen millones de datos sobre los datos y marquen cada instancia de fibrilación de aurículas. El mismo problema también se extiende en muchas otras señales y trastornos biológicos.
Para que este problema resuelva, los investigadores desarrollan nuevas formas de entrenar algoritmos para aprender una máquina con pegatinas más pequeñas. Primero entrenamiento del modelo de máquina aprendiendo para llenar los vacíos de los datos de bio-señal de gran escala, el modelo de aprendizaje automático cubre la relación entre las bio-señales y menos las etiquetas con menos etiquetas. Esto se llama excesivo. Asumiendo incluso ayuda al modelo de aprendizaje automático a aprender la relación entre las bio-señales y la interrupción cuando se procesa en una señal biografía completamente no relacionada.
Las bio-señales se encuentran en todo el cuerpo y proporcionan información sobre diversas funciones corporales. Cada uno de ellos es una bio-señal que mide una cierta señal fisiológica de una manera poco invasiva. Eloi Geenjaar Desafíos laborales con bio-señales
Encontrar relaciones entre las bio-señales puede ser difícil debido al ruido o los datos irrelevantes, las diferencias entre las bio-señales de las personas y porque la relación entre la bio-señal y los trastornos no pueden ser claras.
Primero, las señales biológicas contienen mucho ruido. Por ejemplo, cuando lleva el reloj inteligente mientras se ejecuta, el reloj se moverá. Esto hace que el sensor de biografía se registre en diferentes ubicaciones mientras se ejecuta. Dado que las ubicaciones difieren a través de la ejecución, balancearse en el valor de la bio-señal ahora puede ser una consecuencia de las variaciones en la ubicación de grabación en lugar de los procesos fisiológicos.
En segundo lugar, todos fueron las bio-señales únicas. La ubicación de la vena, por ejemplo, es a menudo diferente entre las personas. Esto significa que incluso si las probabilidades inteligentes se usan exactamente en el mismo lugar en todas las articulaciones, la bio-señal relacionada con esas venas se registra de manera diferente de una persona a otra. La misma señal básica, como el latido del latido, conducirá a diferentes valores de bio-señal.
Solo la señal básica en sí también puede ser única para personas o grupos de personas. La frecuencia cardíaca del centro de la persona promedio es de aproximadamente 60-80 latidos por minuto, pero los atletas pueden descansar la frecuencia cardíaca inferior a 30-40 latidos por minuto.
Y finalmente, la relación entre las bio-señales y los trastornos a menudo es compleja. Esto significa que el trastorno no es inmediatamente obvio para mirar la bio-señal.
Los algoritmos de aprendizaje automático permiten a los investigadores aprender de los datos y proporcionar complejidad, ruido y variabilidad de las personas. Utilizando grandes reuniones de datos de bio-señal, las máquinas para las máquinas de aprendizaje pueden encontrar relaciones claras relacionadas con todo.
Aprender a llenar los espacios en blanco
Los investigadores pueden usar datos de bio-señal sin marcar como calefacción para el algoritmo de aprendizaje del motor. Este calentamiento o pre-entrenamiento recibió el algoritmo de la máquina de aprendizaje para encontrar la relación entre las bio-señales y los trastornos. Esto es un poco como caminar por el parque para que la tierra mintiera antes de hacer la ruta de carrera.
Hay muchas formas de buscar en los algoritmos de aprendizaje automático. En su investigación con Dolby Laboratories L Lu e investigaciones anteriores, se está estudiando el algoritmo de aprendizaje automático para llenar los espacios en blanco.
Para hacer esto, tomamos una bio -señal y crea artificialmente espacios de cierta longitud, por ejemplo, un segundo. Luego enseñamos el algoritmo de aprender a la máquina a completar la parte faltante de la bio-señal. Es posible, porque el algoritmo en la máquina de aprendizaje ve lo que la bio-señal vería antes y después de la brecha.
Si la frecuencia cardíaca de una persona unos 60 golpea en un minuto antes de la brecha, probablemente habrá latido del corazón en un segundo. En este caso, entrenamos el algoritmo en la enseñanza de la máquina para predecir cuándo será alcanzado por los latidos del corazón.
Una vez que entrenamos el algoritmo en la enseñanza de la máquina para hacer esto, se encontrará la relación entre la frecuencia cardíaca. Ahora podemos entrenar el algoritmo de aprendizaje de la máquina con esta relación entre la frecuencia cardíaca normal y una bio-señal que ya se ha aprendido. Esto facilita el algoritmo aprender la relación entre los latidos del corazón y la fibrilación auricular. Dado que la fibrilación auricular se caracteriza por latidos del corazón rápido e irregular, y el algoritmo ahora es bueno en la predicción cuando el latido se producirá, puede aprender rápidamente detectar estas irregularidades.
Aprendizaje automático previa al entrenamiento al llenar los vacíos de la bio-señal del corazón. Elii Geenjaar
La idea de llenar el vacío también se puede generalizar en otras señales biológicas. Investigaciones anteriores han demostrado, y nuestro trabajo ha confirmado que buscamos en el modelo en un biofintik sin pegatinas, le permite aprender relaciones clínicamente útiles de otras bio-señales con varias pegatinas. Este atajo significa que los investigadores pueden exagerarse a las bio-señales que son fáciles de recolectar y usar un modelo de aprendizaje automático en aquellos difíciles de recolectar y pegar.
Desarrollar el descubrimiento de trastorno más rápido
Al mejorar los baudios, los investigadores pueden mejorar los algoritmos de maquinaria y de manera más eficiente al descubrir enfermedades y trastornos. Asumir que las mejoras reducen los costos y el tiempo dedicado a los expertos.
Un ejemplo reciente de algoritmos de mecanizado utilizados para la detección temprana es la función de reloj inteligente de pulso de Google. El campo de formación de la búsqueda de bio-señal puede ayudar a un desarrollo más rápido de funciones similares utilizando una gama más amplia de biogelinas y para una gama más amplia de trastornos.
Con el aumento de los tipos de biogelinas y más datos, los investigadores pueden descubrir relaciones que mejoren dramáticamente la detección temprana de enfermedades y trastornos. Anteriormente se encontraron muchas enfermedades y trastornos, un mejor plan de tratamiento para los pacientes.
Descubre más desde USA Today
Suscríbete y recibe las últimas entradas en tu correo electrónico.
Spanish 