論文の概要: Unsupervised Domain Adaptation for Cross-Subject Few-Shot Neurological Symptom Detection

• arxiv url: http://arxiv.org/abs/2103.00606v1
• Date: Sun, 28 Feb 2021 20:08:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 16:20:08.726206
• Title: Unsupervised Domain Adaptation for Cross-Subject Few-Shot Neurological Symptom Detection
• Title（参考訳）: クロスオブジェクトFew-Shot神経症状検出のための非監視領域適応
• Authors: Bingzhao Zhu, Mahsa Shoaran
• Abstract要約: 本稿では,非教師なし領域適応手法を導入し,多目的てんかん発作の検出を可能にする。 複数の患者の特徴を被写体不変空間に符号化し, 被写体不変特徴から識別モデルを訓練し, 予測を行った。 本手法では,従来手法に比べて1ショット識別精度が9.4%向上し,クロスサブジェクト発作検出が可能となった。
• 参考スコア（独自算出の注目度）: 2.2336243882030025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern machine learning tools have shown promise in detecting symptoms of neurological disorders. However, current approaches typically train a unique classifier for each subject. This subject-specific training scheme requires long labeled recordings from each patient, thus failing to detect symptoms in new patients with limited recordings. This paper introduces an unsupervised domain adaptation approach based on adversarial networks to enable few-shot, cross-subject epileptic seizure detection. Using adversarial learning, features from multiple patients were encoded into a subject-invariant space and a discriminative model was trained on subject-invariant features to make predictions. We evaluated this approach on the intracranial EEG (iEEG) recordings from 9 patients with epilepsy. Our approach enabled cross-subject seizure detection with a 9.4\% improvement in 1-shot classification accuracy compared to the conventional subject-specific scheme.
• Abstract（参考訳）: 現代の機械学習ツールは、神経障害の症状を検出することに有望である。 しかし、現在のアプローチは典型的には各主題に固有の分類器を訓練する。 この被験者固有の訓練は、各患者からの長いラベル付き記録を必要とするため、記録が限られた新規患者の症状を検出できない。 本論文では, 対人ネットワークに基づく非監視的領域適応手法を提案する。 敵意学習を用いて,複数の患者から得られた特徴を主観不変空間に符号化し,判別モデルを用いて主観不変特徴を訓練し,予測を行った。 てんかん患者9例の頭蓋内脳波(iEEG)記録について検討した。 本手法は,従来手法に比べて1ショット識別精度が9.4\%向上したクロスサブジェクト発作検出を可能にした。

関連論文リスト

• Selective Test-Time Adaptation for Unsupervised Anomaly Detection using Neural Implicit Representations [3.3834108313265916]
  テスト時間適応は、目に見えないドメインに対するディープラーニングモデルを最適化するための有望なアプローチを提供する。 本稿では, 事前学習した深部特徴の特徴を生かした, 選択的テスト時間適応の概念を提案する。 我々の戦略は、複数の条件と異なる目標分布に対する検出精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-10-04T10:43:34Z)
• Benchmarking Reliability of Deep Learning Models for Pathological Gait Classification [2.1548132286330453]
  最近研究者たちは、機械学習アルゴリズムの進歩を活用して、歩行変化の症状を検出することを試みた。 本稿では,翻訳を阻害するギャップを同定するための既存手法について分析する。 我々は,複数の病的歩行のカテゴリを確実に区別できるAMS-GCN (Asynchronous Multi-Stream Graph Convolutional Network) という強力なベースラインを提案する。
  論文  参考訳（メタデータ） (2024-09-20T16:47:45Z)
• Self-Supervised Few-Shot Learning for Ischemic Stroke Lesion Segmentation [8.668715385199889]
  トレーニング中に1つの注記標本のみを用いて,虚血性病変の分節に対する数発のセグメンテーション法を提案する。 我々はComputd Tomography Perfusion scanから生成されたカラーコードパラメトリックマップを利用する。 注記1例につき平均Diceスコア0.58が虚血性病変の分節に対して達成される。
  論文  参考訳（メタデータ） (2023-03-02T15:10:08Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Stroke recovery phenotyping through network trajectory approaches and graph neural networks [0.966840768820136]
  トラジェクトリプロファイルクラスタリング (TPC) 法を用いて, NINDS tPAトライアルのデータを分析し, 異なる脳卒中回復パターンを同定する。 臨床的に関連のある脳卒中症候群と一致した3つの異なる脳卒中軌跡について検討した。
  論文  参考訳（メタデータ） (2021-09-29T18:46:08Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• 1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions [79.71065005161566]
  1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。 モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
  論文  参考訳（メタデータ） (2020-02-06T17:25:37Z)
• Convolutional Neural Networks for Epileptic Seizure Prediction [0.13192560874022083]
  発作予測のための頭蓋内脳波(iEEG)の分類法について検討した。 従来のアプローチとは対照的に、手作りの特徴の抽出を分類的に控える。 4匹の犬と3人の患者の長期記録を含む3つの異なるモデルが公開データセットで評価されている。
  論文  参考訳（メタデータ） (2018-11-02T15:09:18Z)

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。