Fugu-MT 論文翻訳(概要): Binary Single-dimensional Convolutional Neural Network for Seizure Prediction

論文の概要: Binary Single-dimensional Convolutional Neural Network for Seizure Prediction

arxiv url: http://arxiv.org/abs/2206.07518v1
Date: Wed, 8 Jun 2022 09:27:37 GMT
ステータス: 処理完了
システム内更新日: 2022-06-19 23:05:13.280782
Title: Binary Single-dimensional Convolutional Neural Network for Seizure Prediction
Title（参考訳）: 二元一次元畳み込みニューラルネットワークによる発作予測
Authors: Shiqi Zhao, Jie Yang, Yankun Xu, and Mohamad Sawan
Abstract要約: てんかん発作予測のための2次元畳み込みニューラルネットワーク(BSDCNN)を提案する。 BSDCNNは1D畳み込みカーネルを使用して予測性能を向上させる。曲線、感度、誤予測率は0.915、89.26%、0.117/h、0.970、94.69%、0.095/hに達する。
参考スコア（独自算出の注目度）: 4.42106872060105
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Nowadays, several deep learning methods are proposed to tackle the challenge of epileptic seizure prediction. However, these methods still cannot be implemented as part of implantable or efficient wearable devices due to their large hardware and corresponding high-power consumption. They usually require complex feature extraction process, large memory for storing high precision parameters and complex arithmetic computation, which greatly increases required hardware resources. Moreover, available yield poor prediction performance, because they adopt network architecture directly from image recognition applications fails to accurately consider the characteristics of EEG signals. We propose in this paper a hardware-friendly network called Binary Single-dimensional Convolutional Neural Network (BSDCNN) intended for epileptic seizure prediction. BSDCNN utilizes 1D convolutional kernels to improve prediction performance. All parameters are binarized to reduce the required computation and storage, except the first layer. Overall area under curve, sensitivity, and false prediction rate reaches 0.915, 89.26%, 0.117/h and 0.970, 94.69%, 0.095/h on American Epilepsy Society Seizure Prediction Challenge (AES) dataset and the CHB-MIT one respectively. The proposed architecture outperforms recent works while offering 7.2 and 25.5 times reductions on the size of parameter and computation, respectively.
Abstract（参考訳）: 近年,てんかん発作予測の課題に取り組むために,いくつかの深層学習法が提案されている。しかし、これらの方法は、大きなハードウェアとそれに対応する高消費電力のため、移植可能または効率的なウェアラブルデバイスの一部として実装することはできない。それらは通常、複雑な特徴抽出プロセス、高精度なパラメータを格納するための大きなメモリ、複雑な演算計算を必要とする。さらに、画像認識アプリケーションから直接ネットワークアーキテクチャを採用するため、EEG信号の特性を正確に考慮することができないため、予測性能が劣る。本稿では,2次元畳み込みニューラルネットワーク(BSDCNN)という,てんかん発作の予測を目的としたハードウェアフレンドリーなネットワークを提案する。 BSDCNNは1D畳み込みカーネルを使用して予測性能を向上させる。第一層を除いて、全てのパラメータは、必要な計算とストレージを減らすために双項化される。曲線、感度、誤予測率は、それぞれAESデータセットとCHB-MITデータセットで0.915、89.26%、0.117/h、0.970、94.69%、0.095/hに達する。提案アーキテクチャは,パラメータと計算量に対して,それぞれ7.2倍,25.5倍の削減を実現した。

関連論文リスト

BiDense: Binarization for Dense Prediction [62.70804353158387]
BiDenseは、効率よく正確な密度予測タスクのために設計された一般化されたバイナリニューラルネットワーク(BNN)である。 BiDenseは2つの重要なテクニックを取り入れている: 分散適応バイナリー (DAB) とチャネル適応完全精度バイパス (CFB) である。
論文参考訳（メタデータ） (2024-11-15T16:46:04Z)
Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。有望な解決策の1つは、アナログコンピューティングを再考することである。ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
論文参考訳（メタデータ） (2023-11-13T08:59:01Z)
Seizure Detection and Prediction by Parallel Memristive Convolutional Neural Networks [2.0738462952016232]
本稿では,低レイテンシ並列畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。本ネットワークは,てんかん発作検出では99.84%,てんかん発作予測では97.54%のクロスバリデーション精度を達成している。 CNNは22nm FDSOI CMOSプロセスで31.255mm$2$の面積を占有しながら約2.791Wの電力を消費すると推定されている。
論文参考訳（メタデータ） (2022-06-20T18:16:35Z)
C$^2$SP-Net: Joint Compression and Classification Network for Epilepsy Seizure Prediction [10.21441881111824]
我々は,1つのニューラルネットワークによる圧縮,予測,再構成を共同で解くために,C$2$SP-Netを提案する。プラグ・アンド・プレイ・イン・センサ圧縮行列を構築し、伝送帯域幅の要求を低減させる。提案手法は, 1/2から1/16までの圧縮比で予測精度0.35 %の平均損失を生成する。
論文参考訳（メタデータ） (2021-10-26T13:09:16Z)
An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
論文参考訳（メタデータ） (2021-08-17T05:49:43Z)
Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
論文参考訳（メタデータ） (2021-06-18T03:11:15Z)
FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文参考訳（メタデータ） (2021-03-08T03:09:37Z)
Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文参考訳（メタデータ） (2020-12-31T18:48:58Z)
EagerNet: Early Predictions of Neural Networks for Computationally Efficient Intrusion Detection [2.223733768286313]
最小限のリソースでネットワーク攻撃を検出するアーキテクチャを提案する。アーキテクチャはバイナリまたはマルチクラスの分類問題に対処でき、ネットワークの精度を予測速度と交換できる。
論文参考訳（メタデータ） (2020-07-27T11:31:37Z)
Informative Bayesian Neural Network Priors for Weak Signals [15.484976432805817]
2種類のドメイン知識は、科学的な応用で一般的に利用することができる。両種類のドメイン知識を広く使われているガウススケールの混合体にエンコードする方法を示す。従来のニューラルネットワークよりも予測精度が向上したことを実証的に示す。
論文参考訳（メタデータ） (2020-02-24T13:43:44Z)
Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。