Wave2Vec: Aprendizaje de Representaciones Profundas para Biosignales

La minería de datos de series temporales ha ganado una atención creciente en el ámbito de la salud. Recientemente, los investigadores han intentado emplear el Procesamiento del Lenguaje Natural (NLP) para la minería de datos de salud, con el fin de aprender representaciones adecuadas de conceptos médicos discretos a partir de Registros de Salud Electrónicos (EHRs). Sin embargo, los modelos existentes no tienen en cuenta los registros fisiológicos continuos, que existen naturalmente en los EHRs. Los principales desafíos para esta tarea son modelar representaciones no obvias a partir de biosignales de alta dimensión observados e interpretar las características aprendidas. Para abordar estos problemas, proponemos Wave2Vec, un modelo de aprendizaje profundo de extremo a extremo, para cerrar la brecha entre el procesamiento de biosignales y el modelado del lenguaje. Wave2Vec aprende conjuntamente tanto representaciones inherentes como de incrustación de biosignales al mismo tiempo. Para evaluar el rendimiento de nuestro modelo en tareas clínicas, llevamos a cabo experimentos en dos conjuntos de datos de biosignales de referencia del mundo real. Los resultados experimentales muestran que el modelo Wave2Vec propuesto supera las seis líneas base de aprendizaje de características en el procesamiento de biosignales.