論文の概要: Improved Preterm Prediction Based on Optimized Synthetic Sampling of EHG Signal

• arxiv url: http://arxiv.org/abs/2007.01447v1
• Date: Fri, 3 Jul 2020 01:12:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 04:52:03.469532
• Title: Improved Preterm Prediction Based on Optimized Synthetic Sampling of EHG Signal
• Title（参考訳）: EHG信号の最適合成サンプリングに基づく事前予測の改善
• Authors: Jinshan Xu, Zhenqin Chen, Yanpei Lu, Xi Yang, Alain Pumir
• Abstract要約: 子宮収縮と電気活動の相互関係は、子宮電気ヒステグラム(EHG)を早期発見と予測のための有望な方向へと導く。 EHGシグナルの不足、特に短期患者の信号の不足により、合成アルゴリズムを適用して、事前型の人工的なサンプルを作成する。
• 参考スコア（独自算出の注目度）: 3.0625456792807424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Preterm labor is the leading cause of neonatal morbidity and mortality and has attracted research efforts from many scientific areas. The inter-relationship between uterine contraction and the underlying electrical activities makes uterine electrohysterogram (EHG) a promising direction for preterm detection and prediction. Due the scarcity of EHG signals, especially those of preterm patients, synthetic algorithms are applied to create artificial samples of preterm type in order to remove prediction bias towards term, at the expense of a reduction of the feature effectiveness in machine-learning based automatic preterm detecting. To address such problem, we quantify the effect of synthetic samples (balance coefficient) on features' effectiveness, and form a general performance metric by utilizing multiple feature scores with relevant weights that describe their contributions to class separation. Combined with the activation/inactivation functions that characterizes the effect of the abundance of training samples in term and preterm prediction precision, we obtain an optimal sample balance coefficient that compromise the effect of synthetic samples in removing bias towards the majority and the side-effect of reducing features' importance. Substantial improvement in prediction precision has been achieved through a set of numerical tests on public available TPEHG database, and it verifies the effectiveness of the proposed method.
• Abstract（参考訳）: 長期労働は新生児の死亡率と死亡率の主要な原因であり、多くの科学分野から研究の成果を惹きつけてきた。 子宮収縮と下層の電気活動の相互関係は、子宮電気ヒステグラム(EHG)を早期発見と予測の有望な方向へと導く。 EHG信号の不足,特に早期患者の信号の不足により,機械学習に基づく自動事前検出における特徴効率の低下を犠牲にして,短期的な予測バイアスを取り除くために,合成アルゴリズムを用いて事前型の人工サンプルを作成する。 このような問題に対処するために,合成試料(バランス係数)が特徴量の有効性に及ぼす影響を定量化し,複数の特徴点をクラス分離に寄与する重み付けとすることにより,一般的な性能指標を形成する。 本研究は, 長期間のトレーニングサンプルの多量化と事前予測精度を特徴付ける活性化・不活性化機能と組み合わせて, 合成試料の過半数に対する偏りを除去する効果を損なう最適試料バランス係数と, 特徴量の重要性を左右する副作用を得る。 パブリックなTPEHGデータベース上での数値実験により,予測精度の実質的改善が達成され,提案手法の有効性が検証された。

関連論文リスト

• Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
  我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。 オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。 各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
  論文  参考訳（メタデータ） (2024-07-20T13:49:14Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• Augmented Learning of Heterogeneous Treatment Effects via Gradient Boosting Trees [0.2320417845168326]
  異種治療効果(HTE)を推定するための2段階統計学習手法を提案する。 第1段階は、結果に基づいてベースラインマーカーの主効果等価性を推定し、その後、HTEの第二段階推定において拡張項として使用される。 HTEの証拠を世界規模で評価するための置換試験が提案されている。
  論文  参考訳（メタデータ） (2023-02-02T19:10:04Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• Multichannel Synthetic Preictal EEG Signals to Enhance the Prediction of Epileptic Seizures [4.446776063493561]
  合成多チャンネル脳波前駆体サンプルを生成するために, 生成逆数ネットワークに基づくプレクタル人工信号合成アルゴリズムを提案する。 また, ES予測性能を, 合成前駆体試料増量なしで比較することにより, 合成試料の有効性を評価した。
  論文  参考訳（メタデータ） (2022-04-29T03:33:47Z)
• Covariate-Balancing-Aware Interpretable Deep Learning models for Treatment Effect Estimation [15.465045049754336]
  本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。 新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。 提案手法は、因果推論のためのベンチマークデータセットを再検討し、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-07T07:42:40Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Efficient Estimation and Evaluation of Prediction Rules in Semi-Supervised Settings under Stratified Sampling [6.930951733450623]
  本稿では,2段階の半教師付き学習(SSL)手法を提案する。 ステップIでは、非ランダムサンプリングを考慮した非線形基底関数による重み付き回帰により、欠落ラベルをインプットする。 ステップIIでは、結果の予測器の整合性を確保するために、初期計算を増強する。
  論文  参考訳（メタデータ） (2020-10-19T12:54:45Z)

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。