論文の概要: Side-aware Meta-Learning for Cross-Dataset Listener Diagnosis with Subjective Tinnitus

• arxiv url: http://arxiv.org/abs/2205.03231v1
• Date: Tue, 3 May 2022 03:17:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-16 01:14:54.412875
• Title: Side-aware Meta-Learning for Cross-Dataset Listener Diagnosis with Subjective Tinnitus
• Title（参考訳）: 主観的耳鳴診断のための側面認識メタラーニング
• Authors: Yun Li, Zhe Liu, Lina Yao, Molly Lucas, Jessica J.M.Monaghan, and Yu Zhang
• Abstract要約: 本稿では,クロスデータセット・ティンニタス診断のための側面認識メタラーニングを提案する。 本手法は,クロスデータセット分類において73.8%の精度を実現する。
• 参考スコア（独自算出の注目度）: 38.66127142638335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of digital technology, machine learning has paved the way for the next generation of tinnitus diagnoses. Although machine learning has been widely applied in EEG-based tinnitus analysis, most current models are dataset-specific. Each dataset may be limited to a specific range of symptoms, overall disease severity, and demographic attributes; further, dataset formats may differ, impacting model performance. This paper proposes a side-aware meta-learning for cross-dataset tinnitus diagnosis, which can effectively classify tinnitus in subjects of divergent ages and genders from different data collection processes. Owing to the superiority of meta-learning, our method does not rely on large-scale datasets like conventional deep learning models. Moreover, we design a subject-specific training process to assist the model in fitting the data pattern of different patients or healthy people. Our method achieves a high accuracy of 73.8\% in the cross-dataset classification. We conduct an extensive analysis to show the effectiveness of side information of ears in enhancing model performance and side-aware meta-learning in improving the quality of the learned features.
• Abstract（参考訳）: デジタル技術の発展により、機械学習は次世代のティンニタス診断への道を開いた。 機械学習はEEGベースのチニタス分析に広く応用されているが、現在のモデルのほとんどはデータセット固有のものである。 各データセットは、特定の種類の症状、全体的な病気の重症度、人口統計属性に限定される可能性がある。 本稿では,異なるデータ収集プロセスから発散年齢,性別の被験者に対して,効果的にチンニタスを分類できる,クロスデータセット・ティンニタス診断のための側面認識メタラーニングを提案する。 メタ学習の優位性のため,本手法は従来のディープラーニングモデルのような大規模データセットに依存しない。 さらに,異なる患者や健常者のデータパターンを適合させるために,モデル支援のための主題別トレーニングプロセスをデザインする。 本手法は,クロスデータセット分類において73.8 %の精度を実現する。 本研究では,耳の側面情報によるモデル性能の向上と,学習特徴の質向上における側面認識メタラーニングの効果を広範囲に分析する。

関連論文リスト

• Early Recognition of Parkinson's Disease Through Acoustic Analysis and Machine Learning [0.0]
  パーキンソン病(英: Parkinson's Disease、PD)は、音声を含む運動機能と非運動機能の両方に大きな影響を及ぼす進行性神経変性疾患である。 本稿では,音声データを用いたPD認識手法の総合的なレビューを行い,機械学習とデータ駆動アプローチの進歩を強調した。 ロジスティック回帰、SVM、ニューラルネットワークなど、さまざまな分類アルゴリズムが検討されている。 以上の結果から,特定の音響特性と高度な機械学習技術は,PDと健常者の間で効果的に区別できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-22T23:24:02Z)
• Tuning In: Analysis of Audio Classifier Performance in Clinical Settings with Limited Data [3.0113849517062303]
  本研究では,小データセットの制約を考慮した臨床環境下での音声分類のためのディープラーニングモデルの評価を行う。 我々は、DenseNetやConvNeXtを含むCNNを、ViT、SWIN、ASTといったトランスフォーマーモデルとともに分析する。 本手法は,特定の臨床データを微調整する前に,大規模データセットで事前トレーニングを行うことの利点を強調した。
  論文  参考訳（メタデータ） (2024-02-07T16:41:11Z)
• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• Data Augmentation for Dementia Detection in Spoken Language [1.7324358447544175]
  最近のディープラーニング技術はより高速な診断を提供し、有望な結果を示している。 それらは大量のラベル付きデータを必要としており、認知症検出のタスクでは簡単には利用できない。 スパースデータ問題に対する効果的な解決策の1つは、データ拡張であるが、正確なメソッドを慎重に選択する必要がある。
  論文  参考訳（メタデータ） (2022-06-26T13:40:25Z)
• Disentangled and Side-aware Unsupervised Domain Adaptation for Cross-dataset Subjective Tinnitus Diagnosis [39.228612434737876]
  EEG信号は非常に非定常的であり、結果としてモデルが新しいユーザやセッション、データセットに不適切な一般化をもたらす。 本稿では,DSUDA (Disentangled and Side-aware Unsupervised Domain Adaptation) の診断における有用性について述べる。 脳波信号からクラス非関連情報を分離し、分類能力を向上させるために、アンタングル付きオートエンコーダを開発する。 サイドアウェア非教師付きドメイン適応モジュールは、新しいデータセットに対して、クラス非関連情報をドメイン分散として適用し、その分散を除外して、新しいデータセット分類のためのクラス希薄な特徴を得る。
  論文  参考訳（メタデータ） (2022-05-03T05:22:04Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。