論文の概要: Transfer Learning improves MI BCI models classification accuracy in
Parkinson's disease patients
- arxiv url: http://arxiv.org/abs/2010.15899v1
- Date: Thu, 29 Oct 2020 19:28:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 23:45:57.900644
- Title: Transfer Learning improves MI BCI models classification accuracy in
Parkinson's disease patients
- Title(参考訳): トランスファーラーニングによるパーキンソン病患者のMI BCIモデルの分類精度の改善
- Authors: Aleksandar Miladinovi\'c, Milo\v{s} Aj\v{c}evi\'c, Pierpaolo Busan,
Joanna Jarmolowska, Giulia Silveri, Susanna Mezzarobba, Piero Paolo
Battaglini, Agostino Accardo
- Abstract要約: 運動運動に基づくBCI(MIBCI)は、パーキンソン病患者の能力向上と障害症状の軽減を可能にする。
精度と時間関連キャリブレーションの課題を克服するためには、高度なMotor Imagery BCI法が必要である。
本研究は, PD患者に対するMI BCIの精度向上を目的とした, 転写学習に基づくFBCSPアプローチを提案する。
- 参考スコア(独自算出の注目度): 50.591267188664666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motor-Imagery based BCI (MI-BCI) neurorehabilitation can improve locomotor
ability and reduce the deficit symptoms in Parkinson's Disease patients.
Advanced Motor-Imagery BCI methods are needed to overcome the accuracy and
time-related MI BCI calibration challenges in such patients. In this study, we
proposed a Multi-session FBCSP (msFBCSP) based on inter-session transfer
learning and we investigated its performance compared to the single-session
based FBSCP. The main result of this study is the significantly improved
accuracy obtained by proposed msFBCSP compared to single-session FBCSP in PD
patients (median 81.3%, range 41.2-100.0% vs median 61.1%, range 25.0-100.0%,
respectively; p<0.001). In conclusion, this study proposes a transfer
learning-based multi-session based FBCSP approach which allowed to
significantly improve calibration accuracy in MI BCI performed on PD patients.
- Abstract(参考訳): 運動画像に基づくBCI(MI-BCI)神経リハビリテーションは、パーキンソン病患者の運動能力を改善し、障害症状を低減することができる。
このような患者の精度と時間的MI BCIキャリブレーションの課題を克服するために、高度な運動画像BCI法が必要である。
本研究では,セッション間移動学習に基づくマルチセッションFBCSP(msFBCSP)を提案し,その性能をシングルセッションFBSCPと比較した。
本研究の主な成果は, PD患者のシングルセッションFBCSPと比較してmsFBCSPの精度が有意に向上したことである(中値81.3%, 41.2-100.0%, 中値61.1%, 25.0-100.0%, p<0.001)。
そこで本研究では, PD患者に対するMI BCIの校正精度を大幅に向上させる, トランスファーラーニングに基づくマルチセッションベースFBCSPアプローチを提案する。
関連論文リスト
- Parkinson's Disease Detection through Vocal Biomarkers and Advanced
Machine Learning Algorithms [0.0]
本研究は早期疾患予測の手段として, PD患者の声質変化の可能性について検討した。
XGBoost、LightGBM、Baging、AdaBoost、Support Vector Machineなど、さまざまな高度な機械学習アルゴリズムを活用する。
LightGBMは、100%の感度と94.43%の特異性を示し、他の機械学習アルゴリズムの精度とAUCスコアを上回った。
論文 参考訳(メタデータ) (2023-11-09T15:21:10Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳(メタデータ) (2023-10-30T11:13:40Z) - Balance Measures Derived from Insole Sensor Differentiate Prodromal
Dementia with Lewy Bodies [0.0]
我々はLewy body(MCI-LB)による軽度認知障害の認識を支援する機械学習に基づく自動パイプラインを提案する。
98人の被験者による実験の結果、MCI-LBを78.0%の精度で他のグループと区別できることが示された。
われわれは,MCI-LBのタイムリーな同定のための新たなアプローチを開拓し,患者に対するより良いケアを可能にした。
論文 参考訳(メタデータ) (2023-09-11T08:46:36Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - Demonstration-based learning for few-shot biomedical named entity
recognition under machine reading comprehension [16.710351189948724]
本研究は, 数発の学習シナリオにおいて, バイオメディカルな実体を認識する能力を向上させる戦略を考案した。
数ショットの学習の領域では、MRCベースの言語モデルは、シーケンスラベリングアプローチと比較して、生物医学的な実体を認識するのにはるかに熟練している。
論文 参考訳(メタデータ) (2023-08-12T03:23:09Z) - Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with
Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。
このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。
25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文 参考訳(メタデータ) (2022-06-27T06:51:48Z) - BSM loss: A superior way in modeling aleatory uncertainty of
fine_grained classification [0.0]
混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。
実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。
BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
論文 参考訳(メタデータ) (2022-06-09T13:06:51Z) - Minimizing subject-dependent calibration for BCI with Riemannian
transfer learning [0.8399688944263843]
異なる被験者から記録されたデータに基づいて分類器を訓練し、良好な性能を保ちながら校正を減らそうとする手法を提案する。
このアプローチの堅牢性を示すために,3つのBCIパラダイムに対して,複数のデータセットのメタ分析を行った。
論文 参考訳(メタデータ) (2021-11-23T18:37:58Z) - Performance of Dual-Augmented Lagrangian Method and Common Spatial
Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。
使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
論文 参考訳(メタデータ) (2020-10-13T20:50:13Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z)
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。