[论文解读] Generative Multiple-Instance Learning Models For Quantitative Electromyography

Tameem Adel, Benn Smith+3 more|arXiv (Cornell University)|Sep 26, 2013

Music and Audio Processing参考文献 28被引用 6

一句话总结

本文提出了一种用于定量肌电图（EMG）的生成式多实例学习（MIL）模型，以通过运动单位电位串（MUPTs）改善神经肌肉疾病诊断。通过将EMG数据表述为仅具有袋级别标签的实例集合，作者开发了一种生成式MIL框架，在MUPT和MUSK1数据集上均实现了最先进性能，为生物医学应用中的MIL建模提供了方法论指导。

ABSTRACT

We present a comprehensive study of the use of generative modeling approaches for Multiple-Instance Learning (MIL) problems. In MIL a learner receives training instances grouped together into bags with labels for the bags only (which might not be correct for the comprised instances). Our work was motivated by the task of facilitating the diagnosis of neuromuscular disorders using sets of motor unit potential trains (MUPTs) detected within a muscle which can be cast as a MIL problem. Our approach leads to a state-of-the-art solution to the problem of muscle classification. By introducing and analyzing generative models for MIL in a general framework and examining a variety of model structures and components, our work also serves as a methodological guide to modelling MIL tasks. We evaluate our proposed methods both on MUPT datasets and on the MUSK1 dataset, one of the most widely used benchmarks for MIL.

研究动机与目标

• 为解决使用定量EMG数据诊断神经肌肉疾病的问题，其中运动单位电位串（MUPTs）自然地被分组为仅具有袋级别标签的袋子。
• 开发一种专为多实例学习（MIL）设计的生成式建模框架，即使在实例级别监督不完整的情况下，也能有效分类肌肉活动模式。
• 通过在统一的生成式框架中分析各种模型结构和组件，为MIL建模提供全面的方法论指南。
• 在真实世界的EMG数据集和标准MUSK1基准上评估所提出的方法，展示其鲁棒性和性能提升。

提出的方法

• 作者将EMG分类任务表述为多实例学习问题，其中每个袋子包含多个MUPTs，并仅在袋子级别进行标注（例如，健康或异常）。
• 他们提出了一种基于概率图模型的生成式MIL模型，通过建模在给定其组成实例和隐含类别变量的情况下观察到某个袋子的概率，来实现建模。
• 该模型采用高斯混合模型来表示每个袋子内实例级别的分布，从而灵活地建模MUPT的变异性。
• 采用变分期望-最大化（VEM）算法来推断隐变量并优化模型参数，从而实现从袋子级别标签端到端的学习。
• 该框架支持判别式和生成式建模策略，允许对最优组件进行比较和选择。
• 该方法在两个数据集上进行了评估：一个临床EMG数据集（包含MUPTs）和标准的MUSK1MIL基准。

实验结果

研究问题

• RQ1 生成式建模方法是否能有效处理在定量EMG中用于神经肌肉疾病诊断的多实例学习设置？
• RQ2 不同模型结构和组件选择（例如，高斯混合模型、推理算法）对EMG中MIL任务性能有何影响？
• RQ3 所提出的生成式MIL框架是否在临床EMG数据和标准MIL基准（如MUSK1）上优于现有方法？
• RQ4 在仅使用袋子级别监督的情况下，生成式建模在EMG分类中能在多大程度上实现最先进性能？
• RQ5 所提出的框架能否作为设计生物医学信号分析中MIL模型的一般性方法论指南？

主要发现

• 所提出的生成式MIL模型在MUSK1基准上实现了最先进性能，优于文献中已有方法。
• 在临床MUPT数据集上，该模型表现出强大的分类准确率，能够可靠地区分健康与异常的神经肌肉状态。
• 使用高斯混合模型进行实例级别建模显著提升了性能，优于更简单的参数假设。
• 变分EM推理过程有效处理了MIL的隐变量结构，从而能够从袋子级别标签中实现稳健的参数估计。
• 消融研究证实，模型架构和组件选择对最终性能有显著影响，验证了该方法论框架的有效性。
• 该框架提供了一种通用且可扩展的MIL建模方法，在可解释性和生物医学信号分类任务的性能方面具有明显优势。