論文の概要: Evaluation of Interpretability for Deep Learning algorithms in EEG
Emotion Recognition: A case study in Autism
- arxiv url: http://arxiv.org/abs/2111.13208v1
- Date: Thu, 25 Nov 2021 18:28:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 04:41:12.948485
- Title: Evaluation of Interpretability for Deep Learning algorithms in EEG
Emotion Recognition: A case study in Autism
- Title（参考訳）: 脳波感情認識における深層学習アルゴリズムの解釈可能性の評価--自閉症を事例として
- Authors: Juan Manuel Mayor-Torres, Sara Medina-DeVilliers, Tessa Clarkson,
Matthew D. Lerner and Giuseppe Riccardi
- Abstract要約: 説明可能な人工知能(XAI)に関する現在のモデルでは、特徴関連性を測定するための信頼性の欠如が明らかで定量化されている。
この研究は、脳波に基づく顔の感情認識を成功させるために、より透明な特徴関連計算を統合する最初のものである。
- 参考スコア（独自算出の注目度）: 4.752074022068791
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current models on Explainable Artificial Intelligence (XAI) have shown an
evident and quantified lack of reliability for measuring feature-relevance when
statistically entangled features are proposed for training deep classifiers.
There has been an increase in the application of Deep Learning in clinical
trials to predict early diagnosis of neuro-developmental disorders, such as
Autism Spectrum Disorder (ASD). However, the inclusion of more reliable
saliency-maps to obtain more trustworthy and interpretable metrics using neural
activity features is still insufficiently mature for practical applications in
diagnostics or clinical trials. Moreover, in ASD research the inclusion of deep
classifiers that use neural measures to predict viewed facial emotions is
relatively unexplored. Therefore, in this study we propose the evaluation of a
Convolutional Neural Network (CNN) for electroencephalography (EEG)-based
facial emotion recognition decoding complemented with a novel
RemOve-And-Retrain (ROAR) methodology to recover highly relevant features used
in the classifier. Specifically, we compare well-known relevance maps such as
Layer-Wise Relevance Propagation (LRP), PatternNet, Pattern Attribution, and
Smooth-Grad Squared. This study is the first to consolidate a more transparent
feature-relevance calculation for a successful EEG-based facial emotion
recognition using a within-subject-trained CNN in typically-developed and ASD
individuals.
- Abstract（参考訳）: 説明可能な人工知能(XAI)の現在のモデルでは、深い分類器の訓練のために統計的に絡み合った特徴が提案されるとき、特徴関連性を測定するための信頼性が明らかに、定量化されている。
自閉症スペクトラム障害(asd)のような神経発達障害の早期診断を予測するために、臨床試験におけるディープラーニングの応用が増加している。
しかし、神経活動特徴を用いた信頼性が高く解釈可能な指標を得るためのより信頼性の高いサリエンシマップの導入は、診断や臨床試験の実践的応用にはまだ不十分である。
さらに、asd研究では、顔の表情を予測するために神経指標を使用する深層分類器は、比較的探索されていない。
そこで本研究では,脳波をベースとした表情認識デコードのための畳み込みニューラルネットワーク(CNN)の評価を,新しいRemOve-And-Retrain(ROAR)手法を用いて行った。
具体的には,レイヤ指向性伝播(lrp),パターンネット,パターン帰属,スムースグレード二乗など,よく知られた関連性マップを比較した。
本研究は,脳波に基づく顔の感情認識を成功させるための,より透過的な特徴関連計算を,典型的には発達したASD個人における内物体訓練CNNを用いて統合した最初のものである。
関連論文リスト
- Detection and Classification of Diabetic Retinopathy using Deep Learning
Algorithms for Segmentation to Facilitate Referral Recommendation for Test
and Treatment Prediction [0.0]
本研究は糖尿病網膜症(DR)の臨床的課題について考察する。
提案手法は、畳み込みニューラルネットワーク(CNN)を用いたトランスファーラーニングを利用して、単一の基礎写真を用いた自動DR検出を行う。
Jaccard、F1、リコール、精度、精度の高評価スコアは、網膜病理評価における診断能力を高めるモデルの可能性を示している。
論文 参考訳（メタデータ） (2024-01-05T11:19:24Z) - Comparison of Probabilistic Deep Learning Methods for Autism Detection [0.0]
自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、現在世界中で普及している神経発達障害の一つ。
この疾患の早期発見は、発症治療に役立ち、正常な生活を導くのに役立つ。
論文 参考訳（メタデータ） (2023-03-09T17:49:37Z) - Variational Autoencoder Learns Better Feature Representations for
EEG-based Obesity Classification [0.8399688944263843]
肥満に関連する神経学的特徴を明らかにすることを目的として,脳波の静止状態(脳波)を調査する研究が進められている。
肥満とリーンの被験者分類のために,脳波の特徴を抽出する深層学習に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-01T22:48:45Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - 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) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - EEG-based Cross-Subject Driver Drowsiness Recognition with an
Interpretable Convolutional Neural Network [0.0]
我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。
その結果,11名の被験者に対して平均78.35%の精度が得られた。
論文 参考訳（メタデータ） (2021-05-30T14:47:20Z) - A Feasibility study for Deep learning based automated brain tumor
segmentation using Magnetic Resonance Images [0.0]
深部畳み込みニューラルネットワーク(CNN)に基づく分類ネットワークおよび脳腫瘍MR画像分類および腫瘍局在のための高速RCNNベースの局在ネットワークが開発された。
提案した腫瘍セグメンテーションアーキテクチャの全体的な性能を,精度,境界変位誤差(BDE),Diceスコア,信頼区間などの客観的な品質パラメータを用いて解析した。
セグメント化された出力の信頼度は、専門家の信頼度と同じ範囲にあることが観察されました。
論文 参考訳（メタデータ） (2020-12-22T12:11:42Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳（メタデータ） (2020-09-16T15:16:03Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - Continuous Emotion Recognition via Deep Convolutional Autoencoder and
Support Vector Regressor [70.2226417364135]
マシンはユーザの感情状態を高い精度で認識できることが不可欠である。
ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。
表情認識に基づく連続的感情認識のための新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-01-31T17:47:16Z)
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。