論文の概要: DeeptDCS: Deep Learning-Based Estimation of Currents Induced During
Transcranial Direct Current Stimulation
- arxiv url: http://arxiv.org/abs/2205.01858v1
- Date: Wed, 4 May 2022 02:25:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-06 02:14:40.461271
- Title: DeeptDCS: Deep Learning-Based Estimation of Currents Induced During
Transcranial Direct Current Stimulation
- Title（参考訳）: DeeptDCS: 経頭蓋直流刺激による電流の深層学習に基づく推定
- Authors: Xiaofan Jia, Sadeed Bin Sayed, Nahian Ibn Hasan, Luis J. Gomez,
Guang-Bin Huang, and Abdulkadir C. Yucel
- Abstract要約: 経頭蓋直流刺激(英: transcranial direct current stimulation, TDCS)は、頭蓋内の伝導電流を発生させ、脳機能を破壊するために用いられる非侵襲的な脳刺激技術である。
本稿では,TDCS誘起電流密度をリアルタイムに高速に評価する深層学習型エミュレータDeeptDCSを提案する。
- 参考スコア（独自算出の注目度）: 1.6255490646219577
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Transcranial direct current stimulation (tDCS) is a non-invasive
brain stimulation technique used to generate conduction currents in the head
and disrupt brain functions. To rapidly evaluate the tDCS-induced current
density in near real-time, this paper proposes a deep learning-based emulator,
named DeeptDCS. Methods: The emulator leverages Attention U-net taking the
volume conductor models (VCMs) of head tissues as inputs and outputting the
three-dimensional current density distribution across the entire head. The
electrode configurations are also incorporated into VCMs without increasing the
number of input channels; this enables the straightforward incorporation of the
non-parametric features of electrodes (e.g., thickness, shape, size, and
position) in the training and testing of the proposed emulator. Results:
Attention U-net outperforms standard U-net and its other three variants
(Residual U-net, Attention Residual U-net, and Multi-scale Residual U-net) in
terms of accuracy. The generalization ability of DeeptDCS to non-trained
electrode positions can be greatly enhanced through fine-tuning the model. The
computational time required by one emulation via DeeptDCS is a fraction of a
second. Conclusion: DeeptDCS is at least two orders of magnitudes faster than a
physics-based open-source simulator, while providing satisfactorily accurate
results. Significance: The high computational efficiency permits the use of
DeeptDCS in applications requiring its repetitive execution, such as
uncertainty quantification and optimization studies of tDCS.
- Abstract（参考訳）: 目的:経頭蓋直流刺激(transcranial direct current stimulation, tdcs)は、頭部の伝導電流を発生させ、脳機能を破壊するために用いられる非侵襲的脳刺激技術である。
本稿では,TDCSによる電流密度をリアルタイムに高速に評価するために,DeeptDCSという深層学習型エミュレータを提案する。
方法: このエミュレータは、ヘッド組織のボリューム導体モデル(vcms)を入力として、ヘッド全体の3次元電流密度分布を出力するために、注意力u-netを活用する。
電極構成は入力チャネルの数を増やすことなくVCMに組み込まれており、提案エミュレータのトレーニングおよび試験において電極の非パラメトリック特性(厚み、形状、サイズ、位置など)を直接組み込むことができる。
結果: 標準U-netと他の3種類のU-net(Residual U-net, Attention Residual U-net, Multi-scale Residual U-net)よりも精度が高い。
非トレーニング電極位置へのDeeptDCSの一般化能力は、モデルを微調整することで大幅に向上することができる。
DeeptDCSによる1つのエミュレーションに必要な計算時間は1秒分である。
結論: deeptdcsは、物理ベースのオープンソースシミュレータよりも少なくとも2桁速いが、精度は十分である。
意義:高い計算効率は、不確実性定量化やtDCSの最適化研究など、繰り返し実行を必要とするアプリケーションでDeeptDCSを使用することを可能にする。
関連論文リスト
- DCP: Learning Accelerator Dataflow for Neural Network via Propagation [52.06154296196845]
この研究は、DNN層の最適なデータフローを人間の努力なしに数秒で自動的に見つけるために、Dataflow Code Propagation (DCP)と呼ばれる効率的なデータ中心のアプローチを提案する。
DCPは、様々な最適化目標を最小化するために、望ましい勾配方向に向けてデータフローコードを効率的に更新する神経予測器を学習する。
例えば、追加のトレーニングデータを使用しないDCPは、数千のサンプルを使用して完全な検索を行うGAMAメソッドを超越している。
論文 参考訳（メタデータ） (2024-10-09T05:16:44Z) - Speed Limits for Deep Learning [67.69149326107103]
熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。
線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。
NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
論文 参考訳（メタデータ） (2023-07-27T06:59:46Z) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳（メタデータ） (2022-11-19T15:44:08Z) - PulseDL-II: A System-on-Chip Neural Network Accelerator for Timing and
Energy Extraction of Nuclear Detector Signals [3.307097167756987]
本稿では,深層学習を持つパルスからイベント特徴(時間,エネルギーなど)を抽出するためのシステムオンチップ(SoC)であるPulseDL-IIを紹介する。
提案システムは, 47.4dBの信号対雑音比(SNR)において, オンラインニューラルネットワークを用いた60psの時間分解能と0.40%のエネルギー分解能を得た。
論文 参考訳（メタデータ） (2022-09-02T08:52:21Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - Energy Efficient Learning with Low Resolution Stochastic Domain Wall
Synapse Based Deep Neural Networks [0.9176056742068814]
ドメインウォール(DW)位置の変動が大きい超低分解能(少なくとも5状態)シナプスは、エネルギー効率が良く、高い検定精度が得られることを実証した。
学習アルゴリズムに適切な修正を施すことにより,その動作と,その低分解能の効果に対処し,高いテスト精度を実現することができることを示す。
論文 参考訳（メタデータ） (2021-11-14T09:12:29Z) - An adaptive cognitive sensor node for ECG monitoring in the Internet of
Medical Things [0.7646713951724011]
インターネット・オブ・メディカル・モノズ(IoMT)パラダイムは、複数の臨床試験や医療処置で主流になりつつある。
本研究では,資源制約型コンピューティングプラットフォームにおける認知データ解析アルゴリズムの実装について検討する。
コンボリューションニューラルネットワークを用いて心電図のトレースを分類する手法について検討した。
論文 参考訳（メタデータ） (2021-06-11T16:49:10Z) - A deep learning-based ODE solver for chemical kinetics [6.146046338698173]
この研究はDeepCombustion0.0と呼ばれる深層学習に基づく数値計算法を提案し、硬い常微分方程式系を解く。
54種を含むDME/空気混合物の均一な自己着火は、アルゴリズムの有効性と精度を示す例として採用されている。
論文 参考訳（メタデータ） (2020-11-24T02:44:21Z) - Accelerating Training in Artificial Neural Networks with Dynamic Mode
Decomposition [0.0]
本稿では,各重みにおける更新ルールの評価を分離する手法を提案する。
各DMDモデル推定に使用するバックプロパゲーションステップ数を微調整することにより、ニューラルネットワークのトレーニングに必要な操作数を大幅に削減することができる。
論文 参考訳（メタデータ） (2020-06-18T22:59:55Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z) - Temporal Pulses Driven Spiking Neural Network for Fast Object
Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。
各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文 参考訳（メタデータ） (2020-01-24T22:58:55Z)
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。