論文の概要: Classifications based on response times for detecting early-stage
Alzheimer's disease
- arxiv url: http://arxiv.org/abs/2102.00738v1
- Date: Mon, 1 Feb 2021 10:08:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 10:18:26.749486
- Title: Classifications based on response times for detecting early-stage
Alzheimer's disease
- Title（参考訳）: 早期アルツハイマー病検出のための反応時間に基づく分類
- Authors: Alain Petrowski (TSP, RS2M)
- Abstract要約: 本稿では,早期アルツハイマー病 (ES-AD) と健常者 (HC) の高精度な検出方法について述べる。
本論文では,手書き作業によるHC/ES-ADの分類に関する技術状況の最良の結果よりも,2～4倍の誤差を生じさせる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Introduction: This paper mainly describes a way to detect with high accuracy
patients with early-stage Alzheimer's disease (ES-AD) versus healthy control
(HC) subjects, from datasets built with handwriting and drawing task records.
Method: The proposed approach uses subject's response times. An optimal subset
of tasks is first selected with a "Support Vector Machine" (SVM) associated
with a grid search. Mixtures of Gaussian distributions defined in the space of
task durations are then used to reproduce and explain the results of the SVM.
Finally, a surprisingly simple and efficient ad hoc classification algorithm is
deduced from the Gaussian mixtures. Results: The solution presented in this
paper makes two or even four times fewer errors than the best results of the
state of the art concerning the classification HC/ES-AD from handwriting and
drawing tasks. Discussion: The best SVM learning model reaches a high accuracy
for this classification but its learning capacity is too large to ensure a low
overfitting risk regarding the small size of the dataset. The proposed ad hoc
classification algorithm only requires to optimize three real-parameters. It
should therefore benefit from a good generalization ability.
- Abstract（参考訳）: 紹介:本論文は, 早期アルツハイマー病(ES-AD)患者と健常者(HC)患者を手書き・手書き作業記録を用いたデータセットから高精度に検出する方法を主に記述する。
方法:提案手法は被験者の応答時間を用いる。
タスクの最適なサブセットは、最初にグリッド検索に関連付けられた「サポートベクターマシン」(SVM)で選択されます。
タスク持続時間の空間で定義されるガウス分布の混合は、SVMの結果を再現し、説明するために使用される。
最後に、驚くほどシンプルで効率的なアドホック分類アルゴリズムがガウス混合物から導かれる。
結果:本論文で示したソリューションは、手書きと描画タスクからHC/ES-ADを分類する技術の状態の最良の結果の2倍または4倍の誤差を減少させる。
議論: 最高のsvm学習モデルは、この分類で高い精度に達するが、その学習能力が大きすぎて、データセットの小さなサイズに関する過度なリスクが確実である。
提案するアドホック分類アルゴリズムは、3つの実パラメータを最適化するだけでよい。
したがって、優れた一般化能力の恩恵を受けるべきである。
関連論文リスト
- An Evaluation of Machine Learning Approaches for Early Diagnosis of
Autism Spectrum Disorder [0.0]
自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。
本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
論文 参考訳（メタデータ） (2023-09-20T21:23:37Z) - A Novel Dataset and a Deep Learning Method for Mitosis Nuclei
Segmentation and Classification [10.960222475663006]
ミトコンドリア核数(Mitosis nuclear count)は乳癌の病理診断における重要な指標の1つである。
そこで本研究では,SCMitosisという2段階のミトーシスセグメンテーションと分類法を提案する。
提案モデルはICPR 2012データセット上で検証され、最高Fスコア値は0.8687である。
論文 参考訳（メタデータ） (2022-12-27T08:12:42Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Parametric Classification for Generalized Category Discovery: A Baseline
Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。
パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。
エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文 参考訳（メタデータ） (2022-11-21T18:47:11Z) - New wrapper method based on normalized mutual information for dimension
reduction and classification of hyperspectral images [0.0]
正規化相互情報(NMI)と誤り確率(PE)に基づく新しいラッパー手法を提案する。
NASAのAVIRIS(Airborne Visible/Infrared Imaging Spectrometer Sensor)が捉えた、2つの挑戦的なハイパースペクトルベンチマークデータセットで実験が行われた。
論文 参考訳（メタデータ） (2022-10-25T21:17:11Z) - Robust self-healing prediction model for high dimensional data [0.685316573653194]
本研究は、ロバスト自己治癒(RSH)ハイブリッド予測モデルを提案する。
それは、データを捨てるのではなく、エラーや不整合を取り除くことによって、データ全体を活用することによって機能する。
提案手法は,既存のハイパフォーマンスモデルと比較し,解析を行った。
論文 参考訳（メタデータ） (2022-10-04T17:55:50Z) - Riemannian classification of EEG signals with missing values [67.90148548467762]
本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。
第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。
その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
論文 参考訳（メタデータ） (2021-10-19T14:24:50Z) - Learning Gaussian Mixtures with Generalised Linear Models: Precise
Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。
実験的リスク最小化による高次元推定器の精度を実証する。
合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文 参考訳（メタデータ） (2021-06-07T16:53:56Z) - Brain Tumor Detection and Classification based on Hybrid Ensemble
Classifier [0.6091702876917281]
本稿では,ランダムフォレスト(RF)とK-ニアレストネイバー(K-Nearest Neighbour)と決定木(DT)を用いたハイブリッドアンサンブル法を提案する。
腫瘍領域の面積を計算し、脳腫瘍を良性および悪性に分類することを目的としている。
提案手法は,トレーニングとテストにそれぞれ85:15で使用される2556画像のデータセット上でテストを行い,97.305%の精度を示す。
論文 参考訳（メタデータ） (2021-01-01T11:52:29Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。