Fugu-MT 論文翻訳(概要): C$^2$SP-Net: Joint Compression and Classification Network for Epilepsy Seizure Prediction

論文の概要: C$^2$SP-Net: Joint Compression and Classification Network for Epilepsy Seizure Prediction

arxiv url: http://arxiv.org/abs/2110.13674v1
Date: Tue, 26 Oct 2021 13:09:16 GMT
ステータス: 処理完了
システム内更新日: 2021-10-27 13:46:21.267433
Title: C$^2$SP-Net: Joint Compression and Classification Network for Epilepsy Seizure Prediction
Title（参考訳）: c$^2$sp-net:てんかん発作予測のための統合圧縮分類ネットワーク
Authors: Di Wu, Yi Shi, Ziyu Wang, Jie Yang, Mohamad Sawan
Abstract要約: 我々は,1つのニューラルネットワークによる圧縮,予測,再構成を共同で解くために,C$2$SP-Netを提案する。プラグ・アンド・プレイ・イン・センサ圧縮行列を構築し、伝送帯域幅の要求を低減させる。提案手法は, 1/2から1/16までの圧縮比で予測精度0.35 %の平均損失を生成する。
参考スコア（独自算出の注目度）: 10.21441881111824
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent development in brain-machine interface technology has made seizure prediction possible. However, the communication of large volume of electrophysiological signals between sensors and processing apparatus and related computation become two major bottlenecks for seizure prediction systems due to the constrained bandwidth and limited computation resource, especially for wearable and implantable medical devices. Although compressive sensing (CS) can be adopted to compress the signals to reduce communication bandwidth requirement, it needs a complex reconstruction procedure before the signal can be used for seizure prediction. In this paper, we propose C$^2$SP-Net, to jointly solve compression, prediction, and reconstruction with a single neural network. A plug-and-play in-sensor compression matrix is constructed to reduce transmission bandwidth requirement. The compressed signal can be used for seizure prediction without additional reconstruction steps. Reconstruction of the original signal can also be carried out in high fidelity. Prediction accuracy, sensitivity, false prediction rate, and reconstruction quality of the proposed framework are evaluated under various compression ratios. The experimental results illustrate that our model outperforms the competitive state-of-the-art baselines by a large margin in prediction accuracy. In particular, our proposed method produces an average loss of 0.35 % in prediction accuracy with a compression ratio ranging from 1/2 to 1/16.
Abstract（参考訳）: 脳-機械インタフェース技術の最近の進歩は発作予測を可能にした。しかし,センサと処理装置間の大量の電気生理学的信号の通信と関連する計算は,特にウェアラブル・組込み医療機器において,帯域の制限と計算資源の制限により,発作予測システムにおいて2つの大きなボトルネックとなる。コンプレッシブセンシング(cs)は、通信帯域幅の要求を減らすために信号を圧縮するために用いられるが、信号が発作予測に使用される前に複雑な再構成手順が必要である。本稿では,単一のニューラルネットワークを用いて圧縮,予測,再構成を共同で解くc$^2$sp-netを提案する。伝送帯域幅要求を低減するために、プラグアンドプレイインセンサ圧縮マトリックスを構築する。圧縮信号は、追加の再構成ステップなしで発作予測に使用できる。元の信号の再構成も高忠実度で行うことができる。提案フレームワークの予測精度,感度,偽予測率,再構成品質を,種々の圧縮比で評価した。実験の結果,本モデルは予測精度の大きな差で競争状態のベースラインを上回っていることがわかった。特に,提案手法では,予測精度が1/2から1/16の圧縮比で0.35 %の損失を発生させる。

関連論文リスト

Coarse-to-fine Deep Video Coding with Hyperprior-guided Mode Prediction [50.361427832256524]
動き補償を改善するために,粗大なC2F(Deep Video compression framework)を提案する。我々のC2Fフレームワークは、ビットコストを大幅に増大させることなく、より良い動き補償結果を得ることができる。
論文参考訳（メタデータ） (2022-06-15T11:38:53Z)
A Theoretical Understanding of Neural Network Compression from Sparse Linear Approximation [37.525277809849776]
モデル圧縮の目標は、同等のパフォーマンスを維持しながら、大きなニューラルネットワークのサイズを減らすことだ。圧縮性を特徴付けるためにスペーサ感度$ell_q$-normを使用し、ネットワーク内の重みの柔らかいスペーサと圧縮度の関係を提供する。また,ネットワーク上で各ニューロンを切断する適応アルゴリズムを開発した。
論文参考訳（メタデータ） (2022-06-11T20:10:35Z)
Binary Single-dimensional Convolutional Neural Network for Seizure Prediction [4.42106872060105]
てんかん発作予測のための2次元畳み込みニューラルネットワーク(BSDCNN)を提案する。 BSDCNNは1D畳み込みカーネルを使用して予測性能を向上させる。曲線、感度、誤予測率は0.915、89.26%、0.117/h、0.970、94.69%、0.095/hに達する。
論文参考訳（メタデータ） (2022-06-08T09:27:37Z)
An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
論文参考訳（メタデータ） (2021-08-17T05:49:43Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Towards Compact CNNs via Collaborative Compression [166.86915086497433]
チャネルプルーニングとテンソル分解を結合してCNNモデルを圧縮する協調圧縮方式を提案する。 52.9%のFLOPを削減し、ResNet-50で48.4%のパラメータを削除しました。
論文参考訳（メタデータ） (2021-05-24T12:07:38Z)
A Linearly Convergent Algorithm for Decentralized Optimization: Sending Less Bits for Free! [72.31332210635524]
分散最適化手法は、中央コーディネータを使わずに、機械学習モデルのデバイス上でのトレーニングを可能にする。ランダム化圧縮演算子を適用し,通信ボトルネックに対処する新しいランダム化一階法を提案する。本手法は,ベースラインに比べて通信数の増加を伴わずに問題を解くことができることを示す。
論文参考訳（メタデータ） (2020-11-03T13:35:53Z)
Unfolding Neural Networks for Compressive Multichannel Blind Deconvolution [71.29848468762789]
圧縮性多チャネルブラインドデコンボリューション問題に対する学習構造付き展開型ニューラルネットワークを提案する。この問題では、各チャネルの測定は共通のソース信号とスパースフィルタの畳み込みとして与えられる。提案手法は,従来の圧縮型マルチチャネルブラインドデコンボリューション法よりも,スパースフィルタの精度と高速化の点で優れていることを示す。
論文参考訳（メタデータ） (2020-10-22T02:34:33Z)
On Compression Principle and Bayesian Optimization for Neural Networks [0.0]
本稿では,全てのデータとモデル定義の合計圧縮メッセージ長を最小化しつつ,デオードビリティを保証しながら,最適な予測モデルを提案する圧縮原理を提案する。圧縮原理によって要求される最適ネットワーク次元を求めることができる連続的な次元削減にドロップアウトが利用できることを示す。
論文参考訳（メタデータ） (2020-06-23T03:23:47Z)
Compressive sensing with un-trained neural networks: Gradient descent finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文参考訳（メタデータ） (2020-05-07T15:57:25Z)
Back-and-Forth prediction for deep tensor compression [37.663819283148854]
本稿では,深い特徴テンソルのためのバック・アンド・フォース(BaF)予測手法を提案する。ネットワークの精度の低下を1%未満と2%に抑えながら, テンソルサイズの62%と75%の削減を実現した。
論文参考訳（メタデータ） (2020-02-14T01:32:03Z)

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。