論文の概要: Exploiting Multi-Modal Features From Pre-trained Networks for
Alzheimer's Dementia Recognition
- arxiv url: http://arxiv.org/abs/2009.04070v2
- Date: Wed, 3 Mar 2021 03:15:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 09:06:33.361409
- Title: Exploiting Multi-Modal Features From Pre-trained Networks for
Alzheimer's Dementia Recognition
- Title（参考訳）: アルツハイマー認知症認知のための事前学習ネットワークからのマルチモーダル特徴の活用
- Authors: Junghyun Koo, Jie Hwan Lee, Jaewoo Pyo, Yujin Jo, Kyogu Lee
- Abstract要約: トレーニング済みネットワークから抽出した様々なマルチモーダル特徴を利用して、ニューラルネットワークを用いてアルツハイマー認知症を認識する。
畳み込みリカレントニューラルネットワークに基づく構造を改良し,分類処理と回帰処理を同時に行う。
評価結果がベースラインの精度を18.75%以上越え, 評価結果から, 4種類の認知障害を78.70%の精度で分類できる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 16.006407253670396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collecting and accessing a large amount of medical data is very
time-consuming and laborious, not only because it is difficult to find specific
patients but also because it is required to resolve the confidentiality of a
patient's medical records. On the other hand, there are deep learning models,
trained on easily collectible, large scale datasets such as Youtube or
Wikipedia, offering useful representations. It could therefore be very
advantageous to utilize the features from these pre-trained networks for
handling a small amount of data at hand. In this work, we exploit various
multi-modal features extracted from pre-trained networks to recognize
Alzheimer's Dementia using a neural network, with a small dataset provided by
the ADReSS Challenge at INTERSPEECH 2020. The challenge regards to discern
patients suspicious of Alzheimer's Dementia by providing acoustic and textual
data. With the multi-modal features, we modify a Convolutional Recurrent Neural
Network based structure to perform classification and regression tasks
simultaneously and is capable of computing conversations with variable lengths.
Our test results surpass baseline's accuracy by 18.75%, and our validation
result for the regression task shows the possibility of classifying 4 classes
of cognitive impairment with an accuracy of 78.70%.
- Abstract（参考訳）: 特定の患者を見つけるのが困難であるだけでなく、患者の医療記録の機密性を解決する必要があるため、大量の医療データの収集とアクセスは非常に時間がかかり、手間がかかる。
一方、ユーチューブやウィキペディアのような大規模なデータセットを簡単に収集可能なディープラーニングモデルでトレーニングし、有用な表現を提供する。
したがって、これらの事前訓練されたネットワークの機能を使って、少量のデータを扱うのは非常に有利である。
本研究では,前訓練されたネットワークから抽出された様々なマルチモーダル特徴を利用して,ニューラル・ネットワークを用いてアルツハイマー認知症を認識する。
この課題は、アコースティックデータとテキストデータを提供することによってアルツハイマー認知症を疑う患者を識別することである。
マルチモーダルな特徴により、畳み込みリカレントニューラルネットワークに基づく構造を変更して、分類タスクと回帰タスクを同時に実行し、可変長の会話を計算できる。
実験結果はベースラインの精度を18.75%上回り,回帰課題の検証結果は78.70%の精度で認知障害の4つのクラスを分類する可能性を示した。
関連論文リスト
- Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Measures of Information Reflect Memorization Patterns [53.71420125627608]
異なるニューロンの活性化パターンの多様性は、モデル一般化と記憶の反映であることを示す。
重要なことは、情報組織が記憶の2つの形態を指していることである。
論文 参考訳（メタデータ） (2022-10-17T20:15:24Z) - Classification of Alzheimer's Disease Using the Convolutional Neural
Network (CNN) with Transfer Learning and Weighted Loss [2.191505742658975]
本研究では,Residual Network 18 Layer(ResNet-18)アーキテクチャを用いた畳み込みニューラルネットワーク(CNN)手法を提案する。
モデルの精度は、転送学習、重み付き損失、およびミッシュアクティベーション関数を用いて88.3%である。
論文 参考訳（メタデータ） (2022-07-04T17:09:27Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Explainable Identification of Dementia from Transcripts using
Transformer Networks [0.0]
アルツハイマー病(英語: Alzheimer's disease, AD)は、認知症の主要な原因であり、記憶喪失を伴い、時間通りに診断されない場合の日常生活に深刻な結果をもたらす可能性がある。
本稿では,2つのマルチタスク学習モデルを紹介し,主課題は認知症(バイナリ分類)の同定であり,補助課題は認知症の重症度(マルチクラス分類)の同定に対応する。
マルチタスク学習環境におけるAD患者検出の精度は84.99%である。
論文 参考訳（メタデータ） (2021-09-14T21:49:05Z) - Neural Network Training with Highly Incomplete Datasets [1.5658704610960568]
GapNetは、高度に不完全なデータセットを使用することができる、別のディープラーニングトレーニングアプローチである。
以上の結果から,GapNetはアルツハイマー病の病態とコビッド19による入院リスクのある患者の同定を改善することが示唆された。
論文 参考訳（メタデータ） (2021-07-01T13:21:45Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Multimodal Inductive Transfer Learning for Detection of Alzheimer's
Dementia and its Severity [39.57255380551913]
本稿では,音響的,認知的,言語的特徴を活用してマルチモーダルアンサンブルシステムを構築する新しいアーキテクチャを提案する。
時相特性を持つ特殊な人工ニューラルネットワークを使用して、アルツハイマー認知症(AD)とその重症度を検出する。
本システムでは,AD分類では最先端試験精度,精度,リコール,F1スコアが83.3%,MMSEスコア評価では4.60の最先端試験根平均二乗誤差(RMSE)が得られた。
論文 参考訳（メタデータ） (2020-08-30T21:47:26Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z) - Data augmentation using generative networks to identify dementia [20.137419355252362]
生成モデルはデータ拡張の効果的なアプローチとして利用できることを示す。
本稿では,認知症自動検出システムから抽出した音声と音声の異なる特徴に対する類似したアプローチの適用について検討する。
論文 参考訳（メタデータ） (2020-04-13T15:05:24Z)
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。