論文の概要: Unsupervised cross-user adaptation in taste sensationrecognition based on surface electromyography withconformal prediction and domain regularizedcomponent analysis

• arxiv url: http://arxiv.org/abs/2110.11339v1
• Date: Wed, 20 Oct 2021 09:11:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-25 15:25:54.186611
• Title: Unsupervised cross-user adaptation in taste sensationrecognition based on surface electromyography withconformal prediction and domain regularizedcomponent analysis
• Title（参考訳）: 表面筋電図とドメイン正規化成分分析による味覚知覚における教師なしクロスユーザ適応
• Authors: Hengyang Wang, Xianghao Zhan, Li Liu, Asif Ullah, Huiyan Li, Han Gao, You Wang, Guang Li
• Abstract要約: 味覚モデルの一般化性と伝達性を向上させるために2つの手法を適用した。 これら2つの手法の有効性をラベルなしデータ拡張プロセスで独立に検討した。 DRCAとCPSCを併用した戦略は、ユーザ間のデータ分散ドリフトに対処する効果を示した。
• 参考スコア（独自算出の注目度）: 10.221154118974548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human taste sensation can be qualitatively described with surface electromyography. However, the pattern recognition models trained on one subject (the source domain) do not generalize well on other subjects (the target domain). To improve the generalizability and transferability of taste sensation models developed with sEMG data, two methods were innovatively applied in this study: domain regularized component analysis (DRCA) and conformal prediction with shrunken centroids (CPSC). The effectiveness of these two methods was investigated independently in an unlabeled data augmentation process with the unlabeled data from the target domain, and the same cross-user adaptation pipeline were conducted on six subjects. The results show that DRCA improved the classification accuracy on six subjects (p < 0.05), compared with the baseline models trained only with the source domain data;, while CPSC did not guarantee the accuracy improvement. Furthermore, the combination of DRCA and CPSC presented statistically significant improvement (p < 0.05) in classification accuracy on six subjects. The proposed strategy combining DRCA and CPSC showed its effectiveness in addressing the cross-user data distribution drift in sEMG-based taste sensation recognition application. It also shows the potential in more cross-user adaptation applications.
• Abstract（参考訳）: ヒトの味覚は表面筋電図で定性的に記述できる。 しかし、ある主題(ソースドメイン)で訓練されたパターン認識モデルは、他の主題(ターゲットドメイン)ではうまく一般化しない。 本研究は, SEMGデータを用いた味覚モデルの一般化性と伝達性を向上させるために, ドメイン正規化成分分析(DRCA)と, シュランケンセントロイド(CPSC)を用いた共形予測(CPSC)の2つの手法を革新的に適用した。 対象領域からのラベルなしデータを含むラベルなしデータ拡張処理において,これら2つの手法の有効性を独立に検討し,同一のクロスユーザ適応パイプラインを6名に実施した。 その結果,ソースドメインデータのみでトレーニングされたベースラインモデルと比較して,drcaは6名の被験者 (p < 0.05) の分類精度が向上したが,cpscは精度向上を保証しなかった。 さらに, DRCAとCPSCの組み合わせは, 6項目の分類精度において統計的に有意な改善(p < 0.05)を示した。 DRCAとCPSCを併用した提案手法は,SEMGに基づく味覚認識アプリケーションにおいて,ユーザ間のデータ分布のドリフトに対処する効果を示した。 さらに、よりクロスユーザー適応アプリケーションの可能性も示しています。

関連論文リスト

• Domain Adaptation of Echocardiography Segmentation Via Reinforcement Learning [4.850478245721347]
  我々はRL4Segを紹介した。RL4Segは革新的な強化学習フレームワークで、ターゲットドメインに専門的な注釈付きデータセットを組み込む必要がなくなる。 RL4Segは1万枚の未診断2D心エコー画像のターゲットデータセットを用いて、ターゲットドメインから220名の専門家検証対象のサブセットに対して99%の解剖学的妥当性を達成している。
  論文  参考訳（メタデータ） (2024-06-25T19:26:39Z)
• Prototypical Cross-domain Knowledge Transfer for Cervical Dysplasia Visual Inspection [37.66559952448587]
  そこで本研究では,異なるが関連する臨床研究で収集されたクロスドメイン頚部画像を利用して,モデルの性能を向上させることを提案する。 データセット間で伝達可能な情報を堅牢に学習するために,新しいプロトタイプベースの知識フィルタリング手法を提案する。 提案法は,最先端の頚椎椎間板形成検査において,Top-1の精度が4.7%向上した。
  論文  参考訳（メタデータ） (2023-08-19T11:25:09Z)
• SSL-CPCD: Self-supervised learning with composite pretext-class discrimination for improved generalisability in endoscopic image analysis [3.1542695050861544]
  深層学習に基づく教師付き手法は医用画像解析において広く普及している。 大量のトレーニングデータと、目に見えないデータセットに対する一般的な問題に直面する必要がある。 本稿では,加法的角マージンを用いたパッチレベルのインスタンスグループ識別とクラス間変動のペナル化について検討する。
  論文  参考訳（メタデータ） (2023-05-31T21:28:08Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Precise Location Matching Improves Dense Contrastive Learning in Digital Pathology [28.62539784951823]
  本研究では,2つの拡張領域を正確にマッチングする位置ベースマッチング機構を提案する。 本手法は,従来の密マッチング手法よりも,検出平均精度が7.2%,インスタンスセグメンテーション平均精度が5.6%向上した。
  論文  参考訳（メタデータ） (2022-12-23T02:11:27Z)
• On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
  ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。 いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。 我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-24T16:29:43Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Unsupervised Domain Adaptation for Speech Recognition via Uncertainty Driven Self-Training [55.824641135682725]
  WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
  論文  参考訳（メタデータ） (2020-11-26T18:51:26Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。