論文の概要: Using Deep Networks for Scientific Discovery in Physiological Signals
- arxiv url: http://arxiv.org/abs/2008.10936v1
- Date: Tue, 25 Aug 2020 10:55:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 03:06:54.149239
- Title: Using Deep Networks for Scientific Discovery in Physiological Signals
- Title（参考訳）: 深層ネットワークを用いた生理信号の科学的発見
- Authors: Tom Beer, Bar Eini-Porat, Sebastian Goodfellow, Danny Eytan and Uri
Shalit
- Abstract要約: ディープニューラルネットワーク(DNN)は生理的信号の分類において顕著な成功を収めている。
心房細動を分類する特定の作業において,DNNは既知の特徴を再発見する可能性が示唆された。
また,ECGの特徴を選択的に取り除き,その特徴を「再発見」することで,新たな特徴を発見できることを示す。
- 参考スコア（独自算出の注目度）: 13.57949712655988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks (DNN) have shown remarkable success in the
classification of physiological signals. In this study we propose a method for
examining to what extent does a DNN's performance rely on rediscovering
existing features of the signals, as opposed to discovering genuinely new
features. Moreover, we offer a novel method of "removing" a hand-engineered
feature from the network's hypothesis space, thus forcing it to try and learn
representations which are different from known ones, as a method of scientific
exploration. We then build on existing work in the field of interpretability,
specifically class activation maps, to try and infer what new features the
network has learned. We demonstrate this approach using ECG and EEG signals.
With respect to ECG signals we show that for the specific task of classifying
atrial fibrillation, DNNs are likely rediscovering known features. We also show
how our method could be used to discover new features, by selectively removing
some ECG features and "rediscovering" them. We further examine how could our
method be used as a tool for examining scientific hypotheses. We simulate this
scenario by looking into the importance of eye movements in classifying sleep
from EEG. We show that our tool can successfully focus a researcher's attention
by bringing to light patterns in the data that would be hidden otherwise.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)は生理的信号の分類において顕著な成功を収めている。
本研究では、DNNの性能が、真に新しい特徴を発見するのとは対照的に、信号の既存の特徴を再発見することに依存するかを調べる方法を提案する。
さらに,ネットワークの仮説空間から手作業による特徴を除去する新たな手法を提案し,科学的探索の手法として,既知の特徴と異なる表現の学習を強制的に行おうとする。
次に、解釈可能性、特にクラスアクティベーションマップの分野における既存の作業に基づいて、ネットワークが学んだ新機能を推測します。
我々は、ECG信号とEEG信号を用いてこのアプローチを実証する。
心電図の信号から,心房細動の特定作業においては,DNNが既知の特徴を再発見する可能性が示唆された。
また,ECGの特徴を選択的に取り除き,その特徴を「再発見」することで,新たな特徴を発見できることを示す。
さらに,本手法を科学的仮説の検証ツールとして利用できるかを検討した。
脳波からの睡眠の分類における眼球運動の重要性を検討することで、このシナリオをシミュレートする。
我々のツールは、他の方法で隠されるであろうデータに光のパターンを持ち込むことで、研究者の注意を集中できることを示す。
関連論文リスト
- Feature Estimation of Global Language Processing in EEG Using Attention Maps [5.173821279121835]
本研究は,脳波の特徴推定に新たなアプローチを導入し,深層学習モデルの重みを利用してその関連を探索する。
視覚変換器とEEGNetから生成したアテンションマップは,従来の研究結果と一致した特徴を効果的に同定できることを実証する。
ViTsを用いたMel-Spectrogramの適用により、時間および周波数関連脳波特性の分解能が向上する。
論文 参考訳（メタデータ） (2024-09-27T22:52:31Z) - Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。
ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
論文 参考訳（メタデータ） (2024-01-11T18:57:17Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - Spatial Temporal Graph Convolution with Graph Structure Self-learning
for Early MCI Detection [9.11430195887347]
本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。
The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
論文 参考訳（メタデータ） (2022-11-11T12:29:00Z) - EEGminer: Discovering Interpretable Features of Brain Activity with
Learnable Filters [72.19032452642728]
本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。
我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。
発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
論文 参考訳（メタデータ） (2021-10-19T14:22:04Z) - A Compact and Interpretable Convolutional Neural Network for
Cross-Subject Driver Drowsiness Detection from Single-Channel EEG [4.963467827017178]
本稿では,ドライバの眠気検出のために,複数の被験者間で共有された脳波特徴を検出するための,コンパクトで解釈可能な畳み込みニューラルネットワークを提案する。
その結果,脳波信号の分類では,被験者11名に対して平均73.22%の精度が得られることがわかった。
論文 参考訳（メタデータ） (2021-05-30T14:36:34Z) - Heterogeneous Hand Guise Classification Based on Surface
Electromyographic Signals Using Multichannel Convolutional Neural Network [0.0]
機械学習の分野での最近の進歩は、EMG信号を使って機械に人間の動作の複雑な特性を教えることができる。
現代の機械は、多数の人間の活動を検出し、それらの活動によって生成されたEMG信号のみに基づいて区別することができる。
本研究では,電力領域に現れる特性によって表面EMG信号を解釈する多チャンネル畳み込みニューラルネットワーク(CNN)を用いた新しい分類法について述べる。
論文 参考訳（メタデータ） (2021-01-17T17:02:04Z) - 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) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-15T23:57:36Z) - Multi-Scale Neural network for EEG Representation Learning in BCI [2.105172041656126]
本稿では,複数の周波数/時間範囲における特徴表現を探索する深層多スケールニューラルネットワークを提案する。
スペクトル時間情報を用いた脳波信号の表現により,提案手法を多種多様なパラダイムに応用することができる。
論文 参考訳（メタデータ） (2020-03-02T04:06:47Z) - Interpreting Galaxy Deblender GAN from the Discriminator's Perspective [50.12901802952574]
本研究は、ネットワークの主要なコンポーネントである識別器の動作に焦点を当てるが、しばしば見落とされがちな役割を担っている。
本手法は, 生成銀河画像と地中真理画像とを区別する際に, 識別器の注意領域を明確に明らかにする。
論文 参考訳（メタデータ） (2020-01-17T04:05:46Z)
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。