論文の概要: Boosting Generalization in Bio-Signal Classification by Learning the
Phase-Amplitude Coupling
- arxiv url: http://arxiv.org/abs/2009.07664v2
- Date: Fri, 16 Oct 2020 14:07:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 22:52:56.807799
- Title: Boosting Generalization in Bio-Signal Classification by Learning the
Phase-Amplitude Coupling
- Title(参考訳): 位相振幅結合学習による生体信号分類の一般化
- Authors: Abdelhak Lemkhenter and Paolo Favaro
- Abstract要約: 生体信号の位相成分と振幅成分の結合を学習する利点を示す。
本稿では,異なる音源から振幅と位相をマージして生体信号が得られたことを検知する,新しい自己教師型学習タスクを提案する。
我々は、このタスクでトレーニングされたニューラルネットワークが、完全に教師されたセッションよりも、被験者や録音セッションをより一般化できることを、我々の評価で示している。
- 参考スコア(独自算出の注目度): 27.913052825303097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Various hand-crafted features representations of bio-signals rely primarily
on the amplitude or power of the signal in specific frequency bands. The phase
component is often discarded as it is more sample specific, and thus more
sensitive to noise, than the amplitude. However, in general, the phase
component also carries information relevant to the underlying biological
processes. In fact, in this paper we show the benefits of learning the coupling
of both phase and amplitude components of a bio-signal. We do so by introducing
a novel self-supervised learning task, which we call Phase-Swap, that detects
if bio-signals have been obtained by merging the amplitude and phase from
different sources. We show in our evaluation that neural networks trained on
this task generalize better across subjects and recording sessions than their
fully supervised counterpart.
- Abstract(参考訳): 生体信号の様々な手作り特徴表現は、主に特定の周波数帯域における信号の振幅やパワーに依存する。
位相成分は振幅よりもサンプリング特異度が高くノイズに敏感であるため、しばしば破棄される。
しかし、一般に、相成分は基盤となる生物学的プロセスに関連する情報も持っている。
実際,本論文では,生体信号の位相成分と振幅成分の結合を学習する利点を示す。
我々は,異なる音源から振幅と位相をマージして生体信号が得られたことを検知する,新しい自己教師型学習タスク「Phase-Swap」を導入する。
我々は、このタスクでトレーニングされたニューラルネットワークが、完全に教師されたセッションよりも、被験者や録音セッションをより一般化できることを、我々の評価で示している。
関連論文リスト
- BioDiffusion: A Versatile Diffusion Model for Biomedical Signal
Synthesis [4.765541373485142]
BioDiffusionは生物医学信号の合成に最適化された拡散に基づく確率モデルである。
我々の研究は、合成されたデータ品質の質的および定量的評価の両方を包含する。
論文 参考訳(メタデータ) (2024-01-12T23:52:44Z) - Frequency-Aware Masked Autoencoders for Multimodal Pretraining on Biosignals [7.381259294661687]
周波数空間における生体信号の表現をパラメータ化することを学ぶ周波数対応マスク付きオートエンコーダを提案する。
得られたアーキテクチャは、事前トレーニング中にマルチモーダル情報を効果的に利用し、テスト時に様々なタスクやモダリティにシームレスに適応できる。
論文 参考訳(メタデータ) (2023-09-12T02:59:26Z) - Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。
よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。
ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
論文 参考訳(メタデータ) (2023-07-03T09:20:28Z) - Structural Vibration Signal Denoising Using Stacking Ensemble of Hybrid
CNN-RNN [0.0]
近年,生物工学の分野では振動信号の利用が増加している。
足音による振動は、人体や動物などの生体系の運動を分析するのに有用である。
本稿では,複数信号のアンサンブルと,再帰的および畳み込み型ニューラルネットワーク予測の両方を活用する新しいアンサンブルモデルを提案する。
論文 参考訳(メタデータ) (2023-03-11T00:49:45Z) - Driven-dissipative topological phases in parametric resonator arrays [62.997667081978825]
トポロジカルアンプリフィケーションの2つのフェーズは, 方向輸送と指数的ゲインの双方で, サイト数とともに増加し, そのうちの1つはスクイーズを特徴とする。
異なる位相の障害に対するレジリエンスと、その安定性、利得、雑音-信号比を特徴付ける。
実験的な実装を最先端技術で論じる。
論文 参考訳(メタデータ) (2022-07-27T18:00:05Z) - Amplitude-Phase Recombination: Rethinking Robustness of Convolutional
Neural Networks in Frequency Domain [31.182376196295365]
CNNは、トレーニング画像の高周波成分と密接に関連する局所最適値に収束する傾向にある。
現在の画像の位相スペクトルとイントラクタ画像の振幅スペクトルを再結合して設計されたデータ拡張に関する新しい視点。
論文 参考訳(メタデータ) (2021-08-19T04:04:41Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳(メタデータ) (2021-03-18T11:01:21Z) - Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in
Frequency Domain [88.7339322596758]
本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。
SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
論文 参考訳(メタデータ) (2021-03-02T16:45:08Z) - Active Learning under Label Shift [80.65643075952639]
重要度とクラスバランスサンプリングのトレードオフを取り入れた「メディカル分布」を導入する。
ラベルシフト(MALLS)下でのメディア型アクティブラーニングの複雑さと一般化保証を実証する。
我々は、MALLSスケールを高次元データセットに実証的に示し、深層学習タスクにおいて、アクティブラーニングのサンプル複雑性を60%削減することができる。
論文 参考訳(メタデータ) (2020-07-16T17:30:02Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳(メタデータ) (2020-07-16T09:39:17Z)
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。