論文の概要: A complex network approach to time series analysis with application in diagnosis of neuromuscular disorders

• arxiv url: http://arxiv.org/abs/2108.06920v1
• Date: Mon, 16 Aug 2021 06:44:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-17 14:42:02.091338
• Title: A complex network approach to time series analysis with application in diagnosis of neuromuscular disorders
• Title（参考訳）: 時系列解析のための複雑なネットワークアプローチと神経筋疾患診断への応用
• Authors: Samaneh Samiei, Nasser Ghadiri and Behnaz Ansari
• Abstract要約: 本稿では,既存手法の限られた精度を克服するために,GraphTSというネットワーク開発手法を提案する。 この目的のために、EMG信号は前処理され、標準的な可視グラフアルゴリズムによって複雑なネットワークにマッピングされる。 結果として得られるネットワークは、健康なサンプルと患者のサンプルを区別することができる。
• 参考スコア（独自算出の注目度）: 1.9659095632676098
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electromyography (EMG) refers to a biomedical signal indicating neuromuscular activity and muscle morphology. Experts accurately diagnose neuromuscular disorders using this time series. Modern data analysis techniques have recently led to introducing novel approaches for mapping time series data to graphs and complex networks with applications in diverse fields, including medicine. The resulting networks develop a completely different visual acuity that can be used to complement physician findings of time series. This can lead to a more enriched analysis, reduced error, more accurate diagnosis of the disease, and increased accuracy and speed of the treatment process. The mapping process may cause the loss of essential data from the time series and not retain all the time series features. As a result, achieving an approach that can provide a good representation of the time series while maintaining essential features is crucial. This paper proposes a new approach to network development named GraphTS to overcome the limited accuracy of existing methods through EMG time series using the visibility graph method. For this purpose, EMG signals are pre-processed and mapped to a complex network by a standard visibility graph algorithm. The resulting networks can differentiate between healthy and patient samples. In the next step, the properties of the developed networks are given in the form of a feature matrix as input to classifiers after extracting optimal features. Performance evaluation of the proposed approach with deep neural network shows 99.30% accuracy for training data and 99.18% for test data. Therefore, in addition to enriched network representation and covering the features of time series for healthy, myopathy, and neuropathy EMG, the proposed technique improves accuracy, precision, recall, and F-score.
• Abstract（参考訳）: 筋電図 (emg) は、神経筋活動と筋形態を示す生体医学信号である。 この時系列を用いて神経筋疾患を正確に診断する専門家。 現代のデータ分析技術は、医学を含む様々な分野の応用で時系列データをグラフや複雑なネットワークにマッピングするための新しいアプローチを導入している。 結果として得られたネットワークは、時系列の医師の所見を補完するために使用できる全く異なる視力を発達させる。 これにより、分析がより豊かになり、エラーが減少し、疾患の診断がより正確になり、治療プロセスの精度と速度が向上する。 マッピングプロセスは、時系列から本質的なデータを失う可能性があり、全ての時系列特徴を保持できない。 結果として、重要な特徴を維持しながら、時系列を適切に表現できるアプローチの実現が不可欠である。 本稿では,可視化グラフ法を用いたemg時系列による既存手法の精度の制限を克服するために,graphtsというネットワーク開発手法を提案する。 この目的のために、EMG信号は前処理され、標準的な可視グラフアルゴリズムによって複雑なネットワークにマッピングされる。 その結果得られるネットワークは、健康的なサンプルと患者のサンプルを区別することができる。 次のステップでは、最適特徴抽出後の分類器への入力として、発達したネットワークの特性を特徴行列の形で与える。 ディープニューラルネットワークによる提案手法の性能評価では、トレーニングデータの99.30%、テストデータの99.18%が正確である。 したがって,健康,筋症,ニューロパチーemgの時系列の特徴とネットワーク表現の充実に加えて,精度,正確性,リコール,f-scoreの向上が期待できる。

関連論文リスト

• Time Scale Network: A Shallow Neural Network For Time Series Data [18.46091267922322]
  時系列データは、しばしば複数の時間スケールで情報で構成されている。 この情報を捉えるためのディープラーニング戦略は存在するが、ネットワークを大きくし、より多くのデータを必要とし、計算を要求されやすく、解釈が難しいものが多い。 本稿では,離散ウェーブレット変換における翻訳と拡張シーケンスと,従来の畳み込みニューラルネットワークとバックプロパゲーションを組み合わせた,最小かつ計算効率のタイムスケールネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-10T16:39:55Z)
• MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
  入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
  論文  参考訳（メタデータ） (2023-06-06T16:24:27Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Networked Time Series Imputation via Position-aware Graph Enhanced Variational Autoencoders [31.953958053709805]
  我々は,変分オートエンコーダ(VAE)を利用して,ノード時系列の特徴とグラフ構造の両方に欠落する値を予測するPoGeVonという新しいモデルを設計する。 実験の結果,ベースライン上でのモデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-05-29T21:11:34Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Multivariate Time Series Imputation by Graph Neural Networks [13.308026049048717]
  我々は,多変量時系列の異なるチャネルにおける行方不明データを再構成することを目的としたGRILというグラフニューラルネットワークアーキテクチャを導入する。 予備的な結果は,本モデルが関連するベンチマーク上での計算処理において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T17:47:10Z)
• Multi-task Graph Convolutional Neural Network for Calcification Morphology and Distribution Analysis in Mammograms [4.731981307843478]
  クラスター内の微細石灰化の形態と分布は、放射線学者が乳癌を診断するための最も重要な特徴です。 マンモグラムにおける微細石灰化の形状と分布を自動解析するためのマルチタスクディープグラフ畳み込みネットワーク (GCN) を提案する。
  論文  参考訳（メタデータ） (2021-05-14T13:32:47Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。