論文の概要: Exploration of Hyperdimensional Computing Strategies for Enhanced Learning on Epileptic Seizure Detection

• arxiv url: http://arxiv.org/abs/2201.09759v1
• Date: Mon, 24 Jan 2022 15:48:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 20:16:54.268821
• Title: Exploration of Hyperdimensional Computing Strategies for Enhanced Learning on Epileptic Seizure Detection
• Title（参考訳）: Epileptic Seizure Detectionによる高次学習のための超次元計算手法の探索
• Authors: Una Pale, Tomas Teijeiro and David Atienza
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.538319875483978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wearable and unobtrusive monitoring and prediction of epileptic seizures has the potential to significantly increase the life quality of patients, but is still an unreached goal due to challenges of real-time detection and wearable devices design. Hyperdimensional (HD) computing has evolved in recent years as a new promising machine learning approach, especially when talking about wearable applications. But in the case of epilepsy detection, standard HD computing is not performing at the level of other state-of-the-art algorithms. This could be due to the inherent complexity of the seizures and their signatures in different biosignals, such as the electroencephalogram (EEG), the highly personalized nature, and the disbalance of seizure and non-seizure instances. In the literature, different strategies for improved learning of HD computing have been proposed, such as iterative (multi-pass) learning, multi-centroid learning and learning with sample weight ("OnlineHD"). Yet, most of them have not been tested on the challenging task of epileptic seizure detection, and it stays unclear whether they can increase the HD computing performance to the level of the current state-of-the-art algorithms, such as random forests. Thus, in this paper, we implement different learning strategies and assess their performance on an individual basis, or in combination, regarding detection performance and memory and computational requirements. Results show that the best-performing algorithm, which is a combination of multi-centroid and multi-pass, can indeed reach the performance of the random forest model on a highly unbalanced dataset imitating a real-life epileptic seizure detection application.
• Abstract（参考訳）: ウェアラブルと目立たない監視とてんかん発作の予測は、患者のライフクオリティを著しく向上させる可能性があるが、リアルタイム検出とウェアラブルデバイス設計の課題のため、まだ到達できない目標である。 超次元(HD)コンピューティングは、特にウェアラブルアプリケーションについて語る際に、新しい有望な機械学習アプローチとして近年進化してきた。 しかし、てんかん検出の場合、標準的な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動作しない。 これは、脳波(EEG)、高度にパーソナライズされた性質、発作と非青信号インスタンスの不均衡など、異なる生体信号における発作とそれらの署名が本質的に複雑であるためかもしれない。 文献では,反復的(複数パス)学習,マルチセントリック学習,サンプルウェイトによる学習(onlinehd)など,hdコンピューティングの学習改善のための異なる戦略が提案されている。 しかし、これらの多くはてんかん発作検出の困難な課題についてテストされておらず、HDコンピューティングの性能を現在の最先端アルゴリズム(例えばランダムフォレスト)のレベルまで向上できるかどうかはまだ不明である。 そこで,本稿では,異なる学習戦略を実装し,その性能を個別に,あるいは組み合わせて,検出性能とメモリ,計算要求について評価する。 その結果、マルチセンタロイドとマルチパスの組み合わせであるベストパフォーマンスアルゴリズムは、実生活のてんかん発作検出アプリケーションを模倣した高度にバランスのとれないデータセット上で、ランダムフォレストモデルの性能に実際に到達できることが示されている。

関連論文リスト

• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• Combining General and Personalized Models for Epilepsy Detection with Hyperdimensional Computing [4.538319875483978]
  てんかんは慢性神経疾患であり、有病率が高い。 日常生活におけるてんかんの検出と継続的な外来モニタリングを可能にするための十分な技術支援はいまだに存在しない。 本研究では、HDコンピューティングと、そのモデルの構築と保存方法が、てんかん検出のためのより高度な機械学習モデルをさらに理解し、比較し、作成するために使用できる、いくつかの追加の側面を実証する。
  論文  参考訳（メタデータ） (2023-03-26T14:51:25Z)
• 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)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• Multi-Centroid Hyperdimensional Computing Approach for Epileptic Seizure Detection [4.249341912358848]
  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。
  論文  参考訳（メタデータ） (2021-11-16T13:30:47Z)
• A Novel TSK Fuzzy System Incorporating Multi-view Collaborative Transfer Learning for Personalized Epileptic EEG Detection [20.11589208667256]
  マルチビュー協調移動学習を統合したTSKファジィシステムに基づくてんかん検出アルゴリズムを提案する。 提案手法はてんかん性脳波を効果的に検出する能力を有する。
  論文  参考訳（メタデータ） (2021-11-11T12:15:55Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Systematic Assessment of Hyperdimensional Computing for Epileptic Seizure Detection [4.249341912358848]
  この研究は、てんかん発作の検出のためのHDコンピューティングフレームワークの体系的な評価を行うことである。 先程実装した2つの特徴と, てんかん発作検出におけるHDコンピューティングの新しいアプローチを検証した。
  論文  参考訳（メタデータ） (2021-05-03T15:11:08Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。