論文の概要: Multi-Centroid Hyperdimensional Computing Approach for Epileptic Seizure Detection

• arxiv url: http://arxiv.org/abs/2111.08463v1
• Date: Tue, 16 Nov 2021 13:30:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-17 20:57:43.440380
• Title: Multi-Centroid Hyperdimensional Computing Approach for Epileptic Seizure Detection
• Title（参考訳）: Epileptic Seizure 検出のためのマルチセントロイド超次元計算手法
• Authors: Una Pale, Tomas Teijeiro, David Atienza
• Abstract要約: マルチセントロイドHD計算に基づく新しい半教師付き学習手法を提案する。 マルチセントロイドアプローチでは、発作状態と非地震状態を表すいくつかのプロトタイプベクターを持つことができる。 最大14%の改善は、発作データよりも10倍の非正弦率で不均衡なテストセットで達成される。
• 参考スコア（独自算出の注目度）: 4.249341912358848
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term monitoring of patients with epilepsy presents a challenging problem from the engineering perspective of real-time detection and wearable devices design. It requires new solutions that allow continuous unobstructed monitoring and reliable detection and prediction of seizures. A high variability in the electroencephalogram (EEG) patterns exists among people, brain states, and time instances during seizures, but also during non-seizure periods. This makes epileptic seizure detection very challenging, especially if data is grouped under only seizure and non-seizure labels. Hyperdimensional (HD) computing, a novel machine learning approach, comes in as a promising tool. However, it has certain limitations when the data shows a high intra-class variability. Therefore, in this work, we propose a novel semi-supervised learning approach based on a multi-centroid HD computing. The multi-centroid approach allows to have several prototype vectors representing seizure and non-seizure states, which leads to significantly improved performance when compared to a simple 2-class HD model. Further, real-life data imbalance poses an additional challenge and the performance reported on balanced subsets of data is likely to be overestimated. Thus, we test our multi-centroid approach with three different dataset balancing scenarios, showing that performance improvement is higher for the less balanced dataset. More specifically, up to 14% improvement is achieved on an unbalanced test set with 10 times more non-seizure than seizure data. At the same time, the total number of sub-classes is not significantly increased compared to the balanced dataset. Thus, the proposed multi-centroid approach can be an important element in achieving a high performance of epilepsy detection with real-life data balance or during online learning, where seizures are infrequent.
• Abstract（参考訳）: てんかん患者の長期モニタリングは、リアルタイム検出とウェアラブルデバイス設計の工学的観点から難しい問題を示す。 継続的な障害のない監視と確実な検出と発作の予測を可能にする新しいソリューションが必要である。 脳波(EEG)パターンの変動は、発作時だけでなく、発作時には人、脳の状態、時間帯にも存在している。 これによりてんかん発作検出は非常に困難であり、特にデータが発作と非敗血症のラベルのみの下にグループ化されている場合である。 超次元(HD)コンピューティングは、新しい機械学習アプローチであり、有望なツールである。 しかし、データが高いクラス内変動を示す場合、一定の制限がある。 そこで本研究では,マルチセンタ型hdコンピューティングに基づく半教師付き学習手法を提案する。 マルチセントロイドアプローチでは、発作状態と非サイズレ状態を表すプロトタイプベクターを複数持つことができ、単純な2層hdモデルに比べて性能が大幅に向上する。 さらに、実際のデータの不均衡はさらなる課題となり、データのバランスの取れたサブセットに報告されるパフォーマンスは過大評価される可能性が高い。 したがって、私たちは3つの異なるデータセットバランスシナリオでマルチセンタ型アプローチをテストし、よりバランスのとれたデータセットでパフォーマンスが向上することを示す。 具体的には、アセプションデータよりも10倍の非正弦性を持つアンバランステストセットで最大14%の改善が達成される。 同時に、バランスの取れたデータセットと比較して、サブクラスの総数は大幅に増加しない。 このように、提案手法は、リアルタイムデータバランスによるてんかん検出の高性能化や、発作が稀なオンライン学習において重要な要素となる。

関連論文リスト

• SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder [0.0]
  本研究では,脳波データからてんかん発作を検出するための半教師付きアプローチを提案する。 以上の結果から,SncVAEは脳波データにおける発作検出を改善し,早期発作の早期発見と術後経過のモニタリングが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-06-25T13:21:01Z)
• Class Imbalance in Object Detection: An Experimental Diagnosis and Study of Mitigation Strategies [0.5439020425818999]
  本研究は, YOLOv5単段検出器を用いて, 前地上クラス不均衡問題に対処するベンチマークフレームワークを提案する。 我々は,サンプリング,損失重み付け,データ強化という3つの確立した手法を精査した。 比較分析の結果,2段階検出法では有効であるが,YOLOv5の性能向上には有効ではないことが明らかとなった。
  論文  参考訳（メタデータ） (2024-03-11T19:06:04Z)
• Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
  本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。 本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-29T12:25:10Z)
• Importance of methodological choices in data manipulation for validating epileptic seizure detection models [4.538319875483978]
  てんかん(てんかん、英: Epilepsy)は、慢性神経疾患であり、ヒトのかなりの部分に影響し、患者の日常生活に深刻なリスクを負う。 マシンラーニングとIoTの進歩にもかかわらず、継続的に監視し、外来環境で検出する、小規模で非スティグマティックなウェアラブルデバイスはまだ利用できない。 理由の1つはてんかん自体の複雑さであり、高度に不均衡なデータ、マルチモーダルな性質、非常に主題固有の署名を含んでいる。 本稿では,てんかん検出システムの性能を訓練・評価する際に行うべき方法論的判断について述べる。
  論文  参考訳（メタデータ） (2023-02-21T13:44:13Z)
• Exploration of Hyperdimensional Computing Strategies for Enhanced Learning on Epileptic Seizure Detection [4.538319875483978]
  てんかん発作の監視と予測は、患者の生活の質を著しく向上させる可能性がある。 標準HDコンピューティングは、他の最先端アルゴリズムのレベルでは機能していない。 本稿では,異なる学習戦略を実装し,その性能を個別に評価する。
  論文  参考訳（メタデータ） (2022-01-24T15:48:33Z)
• 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)
• Patient-Specific Seizure Prediction Using Single Seizure Electroencephalography Recording [16.395309518579914]
  本稿では、ウェーブレット変換されたEEGテンソルを畳み込みニューラルネットワーク(CNN)をベースネットワークとし、脳波の変化点を検出するシームズニューラルネットワークに基づく発作予測手法を提案する。 本手法では, 発作予知に複数の発作を応用したモデルに比較して, 10分未満の先天的および間天的データに翻訳する訓練に1回の発作しか必要としない。
  論文  参考訳（メタデータ） (2020-11-14T03:45:17Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
  本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。 私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
  論文  参考訳（メタデータ） (2020-04-07T20:57:44Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。