ພວກເຮົາໄດ້ອອກແບບຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອກວດສອບສົມມຸດຕິຖານທີ່ໄດ້ກ່າວມາຂ້າງເທິງ. ການສຶກສາຂອງພວກເຮົາໃຊ້ຮູບແບບດຽວກັນສໍາລັບຈຸດປະສົງທີ່ແຕກຕ່າງກັນໃນໄລຍະການຝຶກອົບຮົມແລະໄລຍະການທົດສອບຂອງມັນ. ໃນໄລຍະການຝຶກອົບຮົມ, ພວກເຮົາໃຊ້ຕົວແບບທີ່ມີຂໍ້ມູນການຝຶກອົບຮົມຈໍານວນຫຼວງຫຼາຍ (ຕົວຢ່າງ, ເກັບກໍາຂໍ້ມູນບັນທຶກ CPAP ໃນເມື່ອກ່ອນຈາກຫຼາຍໆຄົນ) ເພື່ອສືບສວນປັດໃຈທີ່ອາດຈະກ່ຽວຂ້ອງກັບການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີ. ໃນໄລຍະການທົດສອບ, ພວກເຮົາໃຊ້ຕົວແບບທີ່ມີບັນທຶກ CPAP ທີ່ຜ່ານມາຂອງຄົນເຈັບເປົ້າໝາຍເພື່ອຄາດຄະເນວ່າການຍຶດໝັ້ນ CPAP ຂອງຄົນເຈັບນີ້ຈະກາຍເປັນຄົນບໍ່ດີພາຍໃນໄລຍະເວລາເປົ້າໝາຍ.

ບົນພື້ນຖານຄຳນິຍາມໂດຍສູນບໍລິການ Medicare ແລະ Medicaid (CMS)5ການສຶກສານີ້ກໍານົດການຍຶດຫມັ້ນທີ່ດີເປັນການນໍາໃຊ້ເຄື່ອງຈັກ CPAP ຫຼາຍກວ່າສີ່ຊົ່ວໂມງຕໍ່ຄືນແລະຫຼາຍກວ່າຫ້າຄືນຕໍ່ອາທິດ (ie, 70% ຂອງຄືນໃນຫນຶ່ງອາທິດ), ໃນຂະນະທີ່ການຍຶດຫມັ້ນທີ່ບໍ່ດີແມ່ນບໍ່ມີການຍຶດຫມັ້ນ CPAP ທີ່ດີ.

ຮູບແບບທີ່ສະເໜີປະກອບມີສອງພາກສ່ວນຄື: ການປະມວນຜົນກ່ອນ ແລະ ຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ລາຍລະອຽດຂອງແຕ່ລະພາກສ່ວນແມ່ນໄດ້ອະທິບາຍຂ້າງລຸ່ມນີ້.

ກຳລັງປະມວນຜົນກ່ອນ

Preprocessing ປະກອບມີການຄິດໄລ່ຄຸນສົມບັດ ແລະມາດຕະຖານຂໍ້ມູນ.

ຫນ້າທໍາອິດ, ຈໍານວນສິບແປດລັກສະນະປະຈໍາອາທິດຖືກຄິດໄລ່ຕາມທີ່ສະແດງຢູ່ໃນຕາຕະລາງ 1. ເຖິງແມ່ນວ່າເຄື່ອງ CPAP ສະຫນອງຊຸດຂອງຂໍ້ມູນການວັດແທກຕໍ່ມື້, ໃນການສຶກສານີ້ພວກເຮົາຄິດໄລ່ລັກສະນະທັງຫມົດຈາກທຸກໆເຈັດມື້ຕິດຕໍ່ກັນເພື່ອສະກັດກັ້ນການປ່ຽນແປງໃນຕອນກາງຄືນຫາຄືນ. ເຄື່ອງ CPAP ທີ່ໃຊ້ໃນການສຶກສານີ້ແມ່ນສະຫນອງໃຫ້ໂດຍ ResMed (ResMed Inc., San Diego, CA, USA). ຂໍ້ມູນບັນທຶກປະຈໍາວັນປະກອບດ້ວຍສອງຄ່າຄຸນນະພາບ (ເພດແລະໂຫມດ CPAP: auto-titration (auto) ຫຼື fixed-titration) ແລະຫ້າຄ່າປະລິມານ (ໄລຍະເວລາການນໍາໃຊ້, ການຮົ່ວໄຫຼຂອງອາກາດ, ດັດຊະນີການຫາຍໃຈຫາຍໃຈ (AI), ດັດຊະນີການຢຸດຫາຍໃຈຫາຍໃຈຫືດ (AI), AHI), ແລະຄວາມກົດດັນຫນ້າກາກສະເລ່ຍປະຈໍາວັນ). ນອກເຫນືອຈາກມູນຄ່າຄຸນນະພາບຕົ້ນສະບັບທີ່ສະຫນອງໂດຍເຄື່ອງ CPAP, ພວກເຮົາຄິດໄລ່ສອງລັກສະນະທີ່ມີຄຸນນະພາບເພີ່ມເຕີມ, ຄວາມຮຸນແຮງປະຈໍາວັນໂດຍອີງໃສ່ AHI (ປົກກະຕິ, ບໍ່ຮຸນແຮງ, ປານກາງ, ຮ້າຍແຮງ)18 ແລະການປະກົດຕົວປະຈໍາວັນຂອງ OSAS ໂດຍອີງໃສ່ AI ທີ່ກໍານົດໂດຍ Guilleminault et al.19. ເພື່ອຄິດໄລ່ສອງລັກສະນະທີ່ມີຄຸນນະພາບນີ້, ພວກເຮົາທໍາອິດກໍານົດມູນຄ່າປະຈໍາວັນຂອງແຕ່ລະຄົນແລະຫຼັງຈາກນັ້ນກໍານົດມູນຄ່າເລື້ອຍໆທີ່ສຸດໃນອາທິດເປັນມູນຄ່າປະຈໍາອາທິດ.

ຕາຕະລາງ 1 ລາຍຊື່ຄຸນສົມບັດທີ່ໄດ້ຮັບຈາກບັນທຶກ CPAP.

ຂັ້ນຕອນສຸດທ້າຍຂອງການປະມວນຜົນກ່ອນແມ່ນມາດຕະຖານຂໍ້ມູນ. ໃນເວລາທີ່ກໍາຫນົດເປົ້າຫມາຍຫຼາຍປະເພດທີ່ແຕກຕ່າງກັນຂອງມູນຄ່າປະລິມານ, ຄວາມແຕກຕ່າງໃນແຕ່ລະລະດັບຂໍ້ມູນເຮັດໃຫ້ປະລິມານການປັບປຸງທີ່ແຕກຕ່າງກັນຂອງນ້ໍາຫນັກທີ່ສອດຄ້ອງກັນກັບແຕ່ລະລັກສະນະໃນໄລຍະການຝຶກອົບຮົມ. ມາດຕະຖານຂໍ້ມູນຈະປ່ຽນຂໍ້ມູນເປັນຄ່າມາດຕະຖານທີ່ມີຂະໜາດດຽວກັນ. ພວກເຮົາໃຊ້ Eq. (1) ການຄິດໄລ່ຄ່າມາດຕະຖານ ã, ເຊິ່ງຄ່າສະເລ່ຍແມ່ນ 0 ແລະມາດຕະຖານ deviation ແມ່ນ 1. ໃນ Eq. (1), μ ໝາຍເຖິງຄ່າສະເລ່ຍຂອງຄຸນສົມບັດ ໃນຂະນະທີ່ σ ຫມາຍເຖິງການບ່ຽງເບນມາດຕະຖານຂອງມັນ.

$$tilde{a} = frac{a – mu }{sigma }$$

(1)

ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ

ພວກເຮົາສ້າງແບບຈໍາລອງການຄາດເດົາໂດຍໃຊ້ logistic regression ແລະວິທີການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອຈັດອັນດັບ (LTR) ດ້ວຍວິທີການຄູ່.20. ໃນໄລຍະການຝຶກອົບຮົມ, ຮູບແບບທີ່ສະເຫນີມີຈຸດປະສົງເພື່ອຈັດອັນດັບຄົນເຈັບທັງຫມົດໃຫ້ສອດຄ່ອງກັບຄວາມສ່ຽງຂອງການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີ, ໃຫ້ການຈັດອັນດັບທີ່ສູງຂຶ້ນກັບຄົນເຈັບທີ່ການຍຶດຫມັ້ນ CPAP ມີຜົນກະທົບພາຍໃນໄລຍະເວລາສັ້ນກວ່າ. ໂດຍຜ່ານຂະບວນການຈັດອັນດັບນີ້, ຮູບແບບທີ່ສະເຫນີຈະຄິດໄລ່ vector ນ້ໍາຫນັກທີ່ຊີ້ໃຫ້ເຫັນຄວາມກ່ຽວຂ້ອງກັນລະຫວ່າງແຕ່ລະພາລາມິເຕີແລະການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີ. ໃນໄລຍະການທົດສອບ, ຮູບແບບທີ່ສະເຫນີທີ່ມີ vector ນ້ໍາຫນັກທີ່ຄິດໄລ່ໄດ້ກໍານົດຄົນເຈັບເປົ້າຫມາຍໃນບັນດາຄົນເຈັບທັງຫມົດທີ່ໃຊ້ໃນໄລຍະການຝຶກອົບຮົມ. ເນື່ອງຈາກວ່າຄໍາສັ່ງຂອງຄົນເຈັບສະທ້ອນໃຫ້ເຫັນເຖິງຈໍານວນອາທິດຈົນກ່ວາການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີ, ພວກເຮົາສາມາດຄາດຄະເນວ່າການຍຶດຫມັ້ນ CPAP ຂອງຄົນເຈັບເປົ້າຫມາຍຈະກາຍເປັນທີ່ບໍ່ດີໃນໄລຍະເວລາເປົ້າຫມາຍໂດຍການກໍານົດຂອບເຂດສໍາລັບການຈັດອັນດັບ. ລາຍ​ລະ​ອຽດ​ຂອງ​ຕົວ​ແບບ​ແມ່ນ​ໄດ້​ອະ​ທິ​ບາຍ​ຂ້າງ​ລຸ່ມ​ນີ້​ຂັ້ນ​ຕອນ​ທີ​.

ຕົວກໍານົດການຊ່ວຍໃຊ້ສໍາລັບການຝຶກອົບຮົມແບບຈໍາລອງ

ການຮັບປະກັນຈໍານວນຂໍ້ມູນພຽງພໍສໍາລັບການຝຶກອົບຮົມແມ່ນຂ້ອນຂ້າງສໍາຄັນໃນເວລາທີ່ນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບຈໍານວນຈໍາກັດຂອງຂໍ້ມູນ. ໂດຍທົ່ວໄປ, ພວກເຮົາບໍ່ສາມາດໃຊ້ຂໍ້ມູນສັ້ນກວ່າໄລຍະເວລາເປົ້າຫມາຍ. ດ້ວຍເຫດນີ້, ພວກເຮົາອາດຈະເຮັດໃຫ້ການຄາດຄະເນບໍ່ປະສົບຜົນສໍາເລັດໄດ້ຢ່າງງ່າຍດາຍເນື່ອງຈາກການຂາດຂໍ້ມູນການຝຶກອົບຮົມ.

ເຮັດໃຫ້ດີທີ່ສຸດຂອງຈໍານວນຈໍາກັດຂອງບັນທຶກການນໍາໃຊ້ CPAP ສໍາລັບການຝຶກອົບຮົມຮູບແບບ, ການສຶກສານີ້ໃຊ້ຈໍານວນອາທິດຂອງການຍຶດຫມັ້ນ CPAP ຂອງຄົນເຈັບແຕ່ລະຄົນເປັນຕົວກໍານົດການຊ່ວຍ. ໄລຍະເວລານີ້ຖືກຄິດໄລ່ໂດຍທັງສອງອັນຕໍ່ໄປນີ້. ທໍາອິດແມ່ນຈໍານວນອາທິດຈົນກ່ວາຕົວຢ່າງທໍາອິດຂອງການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີ PA (ປxx)ຢູ່ໃສ x ແມ່ນຄົນເຈັບແລະ tx ແມ່ນຈໍານວນອາທິດຈາກອາທິດທໍາອິດຈົນກ່ວາອາທິດທີ່ການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີໄດ້ຖືກສັງເກດເຫັນເປັນຄັ້ງທໍາອິດ. ເມື່ອຄົນເຈັບ x ສະແດງໃຫ້ເຫັນການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີ, ພວກເຮົາຄິດໄລ່ PA (ປxx). ອັນທີສອງແມ່ນຈໍານວນອາທິດຂອງການຍຶດຫມັ້ນ CPAP ທີ່ດີຢ່າງຕໍ່ເນື່ອງ GA (ໜ້າyy)ຢູ່ໃສ y ແມ່ນຄົນເຈັບແລະ ty ແມ່ນຈໍານວນອາທິດຈາກອາທິດທໍາອິດຈົນກ່ວາອາທິດທີ່ຜ່ານມາທີ່ສຸດໃນເວລາທີ່ການຍຶດຫມັ້ນ CPAP ທີ່ດີໄດ້ຖືກສັງເກດເຫັນ. ເມື່ອຄົນເຈັບ y ພວກ​ເຮົາ​ໄດ້​ຄິດ​ໄລ່​ເຖິງ​ການ​ຍຶດ​ໝັ້ນ​ທີ່​ດີ​ຕໍ່​ເນື່ອງ​ໂດຍ​ບໍ່​ມີ​ການ​ສະ​ແດງ​ໃຫ້​ເຫັນ​ການ​ຍຶດ​ໝັ້ນ CPAP ທີ່​ບໍ່​ດີ GA (ໜ້າyy).

ການອອກແບບພື້ນຖານຂອງຮູບແບບການຖົດຖອຍ logistic

ການສຶກສານີ້ສ້າງແບບຈໍາລອງຄວາມເປັນໄປໄດ້ yມ, ນ ວ່າການຍຶດຫມັ້ນ CPAP ຂອງຄົນເຈັບ ໃນເວລາ t ຈະກາຍເປັນຜູ້ທຸກຍາກໄວກວ່າຄົນເຈັບຄົນອື່ນ ທີ່ t ການນໍາໃຊ້ຫນ້າທີ່ logistic ສະແດງອອກເປັນ Eq. (2).

$$Pleft( {y_{m,n} {|}x_{m} ,x_{n} ;w} right) = frac{1}{{1 + exp left( { – yw cdot left( {x_{m} – x_{n} } right)} right)}}$$

(2)

ທີ່ນີ້, (w) ເປັນ vector ນ້ໍາຫນັກ, ແລະ x ແລະ x ແມ່ນ vectors ຄຸນນະສົມບັດຂອງຄົນເຈັບ ແລະ ຕາມລໍາດັບ.

ຄະນິດສາດ, logit ຂອງ Eq. (2) ສະແດງອອກເປັນ Eq. (3).

$$logitleft( {Pleft( {y_{m,n} {|}x_{m} ,x_{n} ;w} right)} right) = log left( {frac{ {Pleft( {y_{m,n} {|}x_{m} ,x_{n} ;w} right)}}{{1 – Pleft( {y_{m,n} {|} x_{m} ,x_{n} ;w} right)}}} right) = yw cdot left( {x_{m} – x_{n} } right)$$

(3)

ເນື່ອງຈາກວ່າ logit ແມ່ນຫນ້າທີ່ປີ້ນກັບຂອງຫນ້າທີ່ logistic, ຄ່າ logit ຊີ້ໃຫ້ເຫັນຄວາມເປັນໄປໄດ້: logit() < 0 ຊີ້ໃຫ້ເຫັນ < 0.5, logit() = 0 ຊີ້ໃຫ້ເຫັນ = 0.5, ແລະ logit( ) > 0 ຊີ້ໃຫ້ເຫັນ >0.5. ເພາະສະນັ້ນ, ພວກເຮົາທົດແທນ y ໃນ Eqs. (2) ແລະ (3) ສໍາລັບທັງສອງ +1 ຫຼື −1 ຂຶ້ນກັບໄລຍະເວລາຈົນກ່ວາການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີ, ເຊັ່ນ, y= +1 ເມື່ອ PA (ປ) ແມ່ນສັ້ນກວ່າ PA (ປ) ຫຼືເວລາໃດ PA (ປ)ແມ່ນສັ້ນກວ່າ GA (ໜ້າ)ແລະ y =−1 ເມື່ອ PA (ປ)ແມ່ນຍາວກວ່າ PA (ປ) .

ການອອກແບບຕົວແບບແລະການຝຶກອົບຮົມກັບ L2-norm ປົກກະຕິ

ຈຸດປະສົງຂອງຂະບວນການຝຶກອົບຮົມແມ່ນເພື່ອຈັດອັນດັບຄົນເຈັບທັງຫມົດໃນຂໍ້ມູນການຝຶກອົບຮົມຕາມໄລຍະເວລາຈົນກ່ວາການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີໂດຍການເຮັດຊ້ໍາການຈັດອັນດັບໃນທຸກໆຄູ່ຂອງຄົນເຈັບ.

ສໍາລັບການຈັດອັນດັບນີ້, ຮູບແບບນໍາໃຊ້ມູນຄ່າ logit x ເປັນຄະແນນຄວາມສ່ຽງ PA ເພື່ອວັດແທກຄວາມສ່ຽງຂອງຄົນເຈັບ ການຍຶດຫມັ້ນຂອງ CPAP ໃນການກາຍເປັນຜູ້ທຸກຍາກຢູ່ t. ນີ້, ຄະແນນຄວາມສ່ຽງ PA ແມ່ນກໍລະນີສະເພາະຂອງ Eq. (3) ສົມມຸດ y = +1 ໃນຂະນະທີ່ກໍານົດຄົນເຈັບຈິນຕະນາການທີ່ມີລັກສະນະ x ແມ່ນ 0. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ຮູບແບບທີ່ສະເຫນີມີຈຸດປະສົງເພື່ອຈັດອັນດັບຄົນເຈັບທັງຫມົດໃນຂໍ້ມູນການຝຶກອົບຮົມໂດຍຜ່ານການປຽບທຽບກັບຄົນເຈັບທີ່ມີຈິນຕະນາການດຽວກັນ. ການຈັດອັນດັບນີ້ແມ່ນດໍາເນີນຢູ່ໃນສອງກໍລະນີຕໍ່ໄປນີ້: ເມື່ອ PA (ປ) ແມ່ນສັ້ນກວ່າ PA (ປ)ແລະເວລາໃດ PA (ປ)ແມ່ນສັ້ນກວ່າ GA (ໜ້າ). ໂດຍຜ່ານຂະບວນການຝຶກອົບຮົມ, ຮູບແບບການຄິດໄລ່ ເພື່ອໃຫ້ກົງກັບມູນຄ່າຂອງຄະແນນຄວາມສ່ຽງ PA ແລະຈໍານວນອາທິດຈົນກ່ວາການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີ, ໃຫ້ຄະແນນຄວາມສ່ຽງ PA ທີ່ໃຫຍ່ກວ່າຕໍ່ກັບການປະກົດຕົວກ່ອນຫນ້າຂອງການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີ.

ເພື່ອຫຼຸດຜ່ອນການ overfitting ກັບຊຸດຂໍ້ມູນການຝຶກອົບຮົມແລະປັບປຸງຄວາມສາມາດທົ່ວໄປຂອງຕົວແບບສໍາລັບຂໍ້ມູນໃຫມ່, ພວກເຮົາໄດ້ໃຊ້ L2-norm ປົກກະຕິຄືກັບການສຶກສາທີ່ຜ່ານມາ.ວັນທີ 15. ຕົວແບບຄາດຄະເນ ເປັນ (hat{w}) ໂດຍ​ການ​ນໍາ​ໃຊ້​ສົມ​ຜົນ​ດັ່ງ​ຕໍ່​ໄປ​ນີ້​.

$$hat{w} = arg max left{ {mathop sum limits_{n = 1}^{N} log Pleft( {y_{m,n} {|}x_{ m} ,x_{n} ;w} right) – lambda w_{2}^{2} } right}$$

(4)

ທີ່ນີ້, (w_{2}^{2}) ແມ່ນ L2-norm regularizer (ຄື, L2-norm ຂອງ ), ເຊິ່ງເຮັດຫນ້າທີ່ເປັນການລົງໂທດເພື່ອໃຫ້ມູນຄ່ານ້ໍາຫນັກຢ່າງແທ້ຈິງຂະຫນາດໃຫຍ່ສໍາລັບລັກສະນະບາງຢ່າງທີ່ເກີດຂື້ນເລື້ອຍໆໃນຂໍ້ມູນການຝຶກອົບຮົມ. ສັນຍາລັກ λ ແມ່ນ hyperparameter ສໍາລັບການປົກກະຕິ. ພວກເຮົາຕ້ອງການປັບ hyperparameter λ ໃນຂະນະທີ່ປຽບທຽບການປະຕິບັດຂອງຕົວແບບ.

ຄາດຄະເນການຍຶດຫມັ້ນ CPAP ໂດຍໃຊ້ຕົວແບບທີ່ສະເຫນີ

ໃນ​ໄລ​ຍະ​ການ​ທົດ​ສອບ​, ຕົວ​ແບບ​ຄາດ​ຄະ​ເນ​ການ​ຕິດ​ຕາມ CPAP ໂດຍ​ອີງ​ໃສ່​ຄະ​ແນນ​ຄວາມ​ສ່ຽງ PA ຂອງ​ຄົນ​ເຈັບ​ເປົ້າ​ຫມາຍ​ໂດຍ​ການ​ນໍາ​ໃຊ້​ການ​ຄາດ​ຄະ​ເນ​. (hat{w}.) ເນື່ອງຈາກວ່າພວກເຮົາອອກແບບຄະແນນຄວາມສ່ຽງ PA ເພື່ອສະທ້ອນເຖິງຈໍານວນອາທິດຈົນກ່ວາການຍຶດຫມັ້ນ CPAP ທີ່ບໍ່ດີ, ພວກເຮົາສາມາດຄາດເດົາໄດ້ວ່າການຍຶດຫມັ້ນ CPAP ຂອງຄົນເຈັບເປົ້າຫມາຍຈະກາຍເປັນທີ່ບໍ່ດີພາຍໃນໄລຍະເວລາເປົ້າຫມາຍໂດຍການກໍານົດຂອບເຂດສໍາລັບຄະແນນຄວາມສ່ຽງ PA.

Categories: AiHome

0 Comments

Leave a Reply

Avatar placeholder

Your email address will not be published. Required fields are marked *