論文の概要: MetaSleepLearner: A Pilot Study on Fast Adaptation of Bio-signals-Based
Sleep Stage Classifier to New Individual Subject Using Meta-Learning
- arxiv url: http://arxiv.org/abs/2004.04157v4
- Date: Tue, 10 Nov 2020 17:08:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 09:48:09.296588
- Title: MetaSleepLearner: A Pilot Study on Fast Adaptation of Bio-signals-Based
Sleep Stage Classifier to New Individual Subject Using Meta-Learning
- Title（参考訳）: MetaSleepLearner:Meta-Learningを用いた生体信号に基づく睡眠段階分類器の新規被験者への適応に関する研究
- Authors: Nannapas Banluesombatkul, Pichayoot Ouppaphan, Pitshaporn Leelaarporn,
Payongkit Lakhan, Busarakum Chaitusaney, Nattapong Jaimchariyatam, Ekapol
Chuangsuwanich, Wei Chen, Huy Phan, Nat Dilokthanakul and Theerawit
Wilaiprasitporn
- Abstract要約: モデル非依存メタラーニング(MAML)に基づく転移学習フレームワークMetaSleepLearnerを提案する。
従来のアプローチと比較すると、MetaSleepLearnerは5.4%から17.7%の改善を達成している。
これは、非伝統的な事前学習手法であるMAMLを調査した最初の研究であり、その結果、睡眠段階分類における人間と機械の協調が可能となった。
- 参考スコア（独自算出の注目度）: 15.451212330924447
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Identifying bio-signals based-sleep stages requires time-consuming and
tedious labor of skilled clinicians. Deep learning approaches have been
introduced in order to challenge the automatic sleep stage classification
conundrum. However, the difficulties can be posed in replacing the clinicians
with the automatic system due to the differences in many aspects found in
individual bio-signals, causing the inconsistency in the performance of the
model on every incoming individual. Thus, we aim to explore the feasibility of
using a novel approach, capable of assisting the clinicians and lessening the
workload. We propose the transfer learning framework, entitled
MetaSleepLearner, based on Model Agnostic Meta-Learning (MAML), in order to
transfer the acquired sleep staging knowledge from a large dataset to new
individual subjects. The framework was demonstrated to require the labelling of
only a few sleep epochs by the clinicians and allow the remainder to be handled
by the system. Layer-wise Relevance Propagation (LRP) was also applied to
understand the learning course of our approach. In all acquired datasets, in
comparison to the conventional approach, MetaSleepLearner achieved a range of
5.4\% to 17.7\% improvement with statistical difference in the mean of both
approaches. The illustration of the model interpretation after the adaptation
to each subject also confirmed that the performance was directed towards
reasonable learning. MetaSleepLearner outperformed the conventional approaches
as a result from the fine-tuning using the recordings of both healthy subjects
and patients. This is the first work that investigated a non-conventional
pre-training method, MAML, resulting in a possibility for human-machine
collaboration in sleep stage classification and easing the burden of the
clinicians in labelling the sleep stages through only several epochs rather
than an entire recording.
- Abstract（参考訳）: 生体信号に基づく睡眠ステージの同定には、熟練臨床医の時間と手間がかかる。
自動睡眠ステージ分類に挑戦するために,ディープラーニングアプローチが導入された。
しかし, 個々の生体信号の相違により, 臨床医を自動システムに置き換えることは困難であり, 来院者ごとのモデル性能に矛盾が生じている。
そこで我々は, 臨床医を補助し, 作業負荷を軽減できる新しいアプローチの実現可能性を探ることを目的とした。
そこで我々は,獲得した睡眠ステージングの知識を大規模データセットから新たな個人に伝達するために,モデル非依存メタラーニング(MAML)に基づく移動学習フレームワークMetaSleepLearnerを提案する。
このフレームワークは、臨床医による少数の睡眠のエポックのラベル付けを要求され、残りはシステムによって処理される。
また,LRP(Layer-wise Relevance Propagation)も提案手法の学習過程の理解に役立てた。
全ての取得したデータセットにおいて、MetaSleepLearnerは従来のアプローチと比較して、両方のアプローチの平均の統計的な差で5.4\%から17.7\%の改善を達成した。
また,各科目への適応後のモデル解釈の図面からも,演奏が合理的な学習に向けられていることを確認した。
metasleeplearnerは、健常者と患者の双方の録音を用いた微調整の結果、従来のアプローチを上回った。
これは、非伝統的な事前学習方法であるMAMLを調査した最初の研究であり、その結果、睡眠段階分類における人間と機械の協調の可能性と、睡眠段階のラベル付けにおける臨床医の負担を、録音全体ではなく、何回かのエポックで緩和した。
関連論文リスト
- NeuroNet: A Novel Hybrid Self-Supervised Learning Framework for Sleep Stage Classification Using Single-Channel EEG [2.3310092106321365]
睡眠ステージ分類は、睡眠障害を診断し、睡眠の質を評価する重要な側面である。
近年の深層学習の進歩は、睡眠段階分類の自動化を著しく促進している。
本稿では,未ラベルの単一チャンネル睡眠脳波(EEG)信号を利用する自己教師型学習フレームワークであるNeuroNetを紹介する。
論文 参考訳（メタデータ） (2024-04-10T18:32:22Z) - Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage
Classification with Model Interpretability [5.747465732334616]
本研究では,残差ネットワーク内に圧縮ブロックと励起ブロックを統合し,複雑な時間的依存関係を理解するために,特徴抽出と積み重ねBi-LSTMを組み込んだエンド・ツー・エンドディープラーニング(DL)モデルを提案する。
本研究の特筆すべき側面は、睡眠ステージングのためのGradCamの適応であり、この領域における説明可能なDLモデルの最初の事例であり、その決定と睡眠専門家の洞察の一致である。
論文 参考訳（メタデータ） (2023-09-10T17:56:03Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳（メタデータ） (2023-03-05T03:54:54Z) - Performance and utility trade-off in interpretable sleep staging [0.0]
脳波、EOG、筋電図などの生理学的信号に基づいて、臨床診断支援システム、睡眠ステージングの解釈方法について検討する。
提案されたフレームワークであるNormIntSleepは、正規化機能を使用してディープラーニングの埋め込みを表現することで、さまざまなデータセット間で優れたパフォーマンスを得ることができることを示している。
論文 参考訳（メタデータ） (2022-11-07T03:27:01Z) - U-Sleep: resilient to AASM guidelines [14.894313755470288]
深層学習に基づく睡眠スコアリングアルゴリズムでは,臨床知識を十分に活用したり,AASMガイドラインに厳格に従う必要がなくなる可能性がある。
具体的には、現在最先端の睡眠スコアリングアルゴリズムであるU-Sleepが、臨床的な非推奨または非伝統的な導出を用いても、スコアリングタスクを解くのに十分な強度を持つことを示した。
論文 参考訳（メタデータ） (2022-09-19T15:56:08Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain
Medical Images [56.72015587067494]
DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。
本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
論文 参考訳（メタデータ） (2022-05-27T02:34:32Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳（メタデータ） (2022-03-14T17:44:53Z) - Continual Active Learning Using Pseudo-Domains for Limited Labelling
Resources and Changing Acquisition Characteristics [2.6105699925188257]
臨床ルーチン中の医療画像における機械学習は、スキャナープロトコル、ハードウェア、ポリシーの変更によって損なわれる。
マルチスキャナ環境下で,医療画像のストリーム上で動作する連続的な能動学習手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T13:11:49Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。