論文の概要: Enhancement on Model Interpretability and Sleep Stage Scoring
Performance with A Novel Pipeline Based on Deep Neural Network
- arxiv url: http://arxiv.org/abs/2204.03173v1
- Date: Thu, 7 Apr 2022 02:48:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-09 05:54:42.856175
- Title: Enhancement on Model Interpretability and Sleep Stage Scoring
Performance with A Novel Pipeline Based on Deep Neural Network
- Title（参考訳）: ディープニューラルネットワークに基づく新しいパイプラインによるモデル解釈可能性の向上と睡眠ステージスコーリング性能
- Authors: Zheng Chen, Ziwei Yang, Ming Huang, Toshiyo Tamura, Naoaki Ono, MD
Altaf-Ul-Amin, Shigehiko Kanaya
- Abstract要約: 本稿では,アメリカ睡眠医学会の定義に従い,脳波(EEG)の表現学習のための時間周波数フレームワークを提案する。
入力された脳波スペクトログラムは、時間と周波数軸の一連のパッチに分割され、さらに表現学習を行うための繊細な深層学習ネットワークに入力される。
提案したパイプラインは、大規模なデータベース、すなわちSleep Heart Health Study (SHHS)に対して検証され、その結果、ウェイク、N2、N3ステージの競合性能が最先端の作業より優れていることが示された。
- 参考スコア（独自算出の注目度）: 4.296506281243336
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Considering the natural frequency characteristics in sleep medicine, this
paper first proposes a time-frequency framework for the representation learning
of the electroencephalogram (EEG) following the definition of the American
Academy of Sleep Medicine. To meet the temporal-random and transient nature of
the defining characteristics of sleep stages, we further design a
context-sensitive flexible pipeline that automatically adapts to the attributes
of data itself. That is, the input EEG spectrogram is partitioned into a
sequence of patches in the time and frequency axes, and then input to a
delicate deep learning network for further representation learning to extract
the stage-dependent features, which are used in the classification step
finally. The proposed pipeline is validated against a large database, i.e., the
Sleep Heart Health Study (SHHS), and the results demonstrate that the
competitive performance for the wake, N2, and N3 stages outperforms the
state-of-art works, with the F1 scores being 0.93, 0.88, and 0.87,
respectively, and the proposed method has a high inter-rater reliability of
0.80 kappa. Importantly, we visualize the stage scoring process of the model
decision with the Layer-wise Relevance Propagation (LRP) method, which shows
that the proposed pipeline is more sensitive and perceivable in the
decision-making process than the baseline pipelines. Therefore, the pipeline
together with the LRP method can provide better model interpretability, which
is important for clinical support.
- Abstract（参考訳）: 睡眠医学における自然周波数特性を考慮して,まず,アメリカ睡眠医学会の定義に従って脳波の表現学習(eeg)を行うための時間周波数枠組みを提案する。
睡眠段階の定義特性の時間的ランダム性と過渡性を満たすため,データ自体の属性に自動的に適応するコンテキスト依存型フレキシブルパイプラインを設計する。
すなわち、入力された脳波スペクトログラムを時間と周波数軸のパッチ列に分割し、さらに表現学習を行うための繊細な深層学習ネットワークに入力し、最終的に分類ステップで使用されるステージ依存的特徴を抽出する。
提案したパイプラインは,大規模なデータベース,すなわちSleep Heart Health Study (SHHS) に対して検証され,この結果,N2,N3ステージの競合性能は,それぞれ0.93,0.88,0.87のF1スコアで,それぞれ最先端の作業よりも優れており,その信頼性は0.80カッパであることがわかった。
重要なことは、モデル決定の段階的スコアリング過程をLayer-wise Relevance Propagation (LRP)法で視覚化し、提案したパイプラインがベースラインパイプラインよりも意思決定プロセスにおいてより敏感で知覚可能であることを示す。
したがって、lrp法と共にパイプラインは、臨床支援に重要なモデル解釈性を提供することができる。
関連論文リスト
- Fine-tuning -- a Transfer Learning approach [0.22344294014777952]
電子健康記録(EHR)の欠落は、この貴重な資源に欠落するデータが豊富にあるため、しばしば妨げられる。
既存の深い計算手法は、計算処理とダウンストリーム解析の両方を組み込んだエンドツーエンドのパイプラインに依存している。
本稿では,モジュール型深層学習型計算・分類パイプラインの開発について検討する。
論文 参考訳（メタデータ） (2024-11-06T14:18:23Z) - MPCNN: A Novel Matrix Profile Approach for CNN-based Sleep Apnea
Classification [0.0]
睡眠時無呼吸症(SA)は、世界的な健康問題を引き起こす重要な呼吸器疾患である。
心電図(ECG)に基づくSA診断における,いくつかの機械学習モデルとディープラーニングモデルについて検討した。
本稿では,心電図信号の包括的セグメントを深く掘り下げることで,この診断ギャップに対処する革新的な手法を提案する。
論文 参考訳（メタデータ） (2023-11-25T14:39:12Z) - Phase Synchrony Component Self-Organization in Brain Computer Interface [3.2116198597240846]
相同期情報は、機能的な脳の接続を分析し、脳の活動を特定する上で重要な役割を担っている。
本稿では、データ依存空間フィルタの適応学習を可能にする位相同期成分自己組織化の概念を提案する。
この概念に基づいて、生の脳波信号から位相同期に基づく特徴を直接抽出する、最初のディープラーニングエンドツーエンドネットワークが開発された。
論文 参考訳（メタデータ） (2023-09-21T09:42:16Z) - Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage
Classification with Model Interpretability [5.747465732334616]
本研究では,残差ネットワーク内に圧縮ブロックと励起ブロックを統合し,複雑な時間的依存関係を理解するために,特徴抽出と積み重ねBi-LSTMを組み込んだエンド・ツー・エンドディープラーニング(DL)モデルを提案する。
本研究の特筆すべき側面は、睡眠ステージングのためのGradCamの適応であり、この領域における説明可能なDLモデルの最初の事例であり、その決定と睡眠専門家の洞察の一致である。
論文 参考訳（メタデータ） (2023-09-10T17:56:03Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳（メタデータ） (2023-04-26T14:11:04Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Interpreting Deep Learning Models for Epileptic Seizure Detection on EEG
signals [4.748221780751802]
ディープラーニング(DL)は、しばしば人工知能ベースの医療意思決定支援の最先端とみなされます。
臨床現場では未だに実装されており、ニューラルネットワークモデルの解釈能力が不十分なため、臨床医の信頼は低い。
脳波信号に基づくてんかん発作のオンライン検出の文脈で解釈可能なDLモデルを開発することでこの問題に対処した。
論文 参考訳（メタデータ） (2020-12-22T11:10:23Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z)
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。