論文の概要: Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography

• arxiv url: http://arxiv.org/abs/2207.01391v1
• Date: Mon, 4 Jul 2022 13:15:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 21:51:02.989516
• Title: Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography
• Title（参考訳）: タスク指向自己教師付き学習による脳波異常検出
• Authors: Yaojia Zheng, Zhouwu Liu, Rong Mo, Ziyi Chen, Wei-shi Zheng, and Ruixuan Wang
• Abstract要約: タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
• 参考スコア（独自算出の注目度）: 51.45515911920534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate automated analysis of electroencephalography (EEG) would largely help clinicians effectively monitor and diagnose patients with various brain diseases. Compared to supervised learning with labelled disease EEG data which can train a model to analyze specific diseases but would fail to monitor previously unseen statuses, anomaly detection based on only normal EEGs can detect any potential anomaly in new EEGs. Different from existing anomaly detection strategies which do not consider any property of unavailable abnormal data during model development, a task-oriented self-supervised learning approach is proposed here which makes use of available normal EEGs and expert knowledge about abnormal EEGs to train a more effective feature extractor for the subsequent development of anomaly detector. In addition, a specific two branch convolutional neural network with larger kernels is designed as the feature extractor such that it can more easily extract both larger scale and small-scale features which often appear in unavailable abnormal EEGs. The effectively designed and trained feature extractor has shown to be able to extract better feature representations from EEGs for development of anomaly detector based on normal data and future anomaly detection for new EEGs, as demonstrated on three EEG datasets. The code is available at https://github.com/ironing/EEG-AD.
• Abstract（参考訳）: 脳波の正確な自動分析は、臨床医が様々な脳疾患の患者を効果的に監視し、診断するのに役立ちます。 ラベル付き疾患の脳波データを用いた教師付き学習と比較すると、特定の疾患を分析するためにモデルを訓練できるが、これまで見つからなかった状態の監視に失敗する可能性がある。 モデル開発における異常データの性質を考慮しない既存の異常検出戦略とは違って,正常な脳波と異常脳波に関する専門知識を活用して,その後の異常検出装置の開発に有効な特徴抽出器を訓練するタスク指向の自己教師型学習手法を提案する。 さらに、より大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計し、使用不能な異常脳波によく現れる大きな特徴と小さな特徴の両方を容易に抽出できるようにしている。 効果的に設計・訓練された特徴抽出装置は、3つの脳波データセットで示されるように、正常データに基づく異常検出および新しい脳波の将来の異常検出のために脳波からより優れた特徴表現を抽出することができる。 コードはhttps://github.com/ironing/EEG-ADで公開されている。

関連論文リスト

• hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience applications [3.031375888004876]
  脳波の既存のDLベースのモデリング手法に2つの課題がある。 被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。 本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
  論文  参考訳（メタデータ） (2023-11-20T15:36:31Z)
• Unsupervised Multivariate Time-Series Transformers for Seizure Identification on EEG [9.338549413542948]
  てんかん発作は通常、脳波記録(EEG)によって観察される。 生脳波による発作同定のための教師なしトランスフォーマーモデルを提案する。 我々は、教師なし損失関数を介してトランスフォーマーエンコーダを含むオートエンコーダを訓練し、新しいマスキング戦略を取り入れた。
  論文  参考訳（メタデータ） (2023-01-03T15:57:13Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm [70.50499513259322]
  現在のアーティファクト検出パイプラインはリソース不足であり、手作りの機能に大きく依存している。 高周波脳波アーチファクト検出のためのディープラーニングフレームワークであるE4Gを提案する。 われわれのフレームワークは初期の出口パラダイムを利用して、不確実性を捉えることのできるモデルの暗黙のアンサンブルを構築している。
  論文  参考訳（メタデータ） (2021-07-21T07:05:42Z)
• Automated Detection of Abnormal EEGs in Epilepsy With a Compact and Efficient CNN Model [9.152759278163954]
  本稿では,脳波の異常時間間隔と電極を検出するための,コンパクトで効率的な畳み込みニューラルネットワーク(CNN)の開発について述べる。 EEGNetとは異なり、提案モデルであるmEEGNetは同じ数の電極入力と出力を持ち、異常を検出する。 その結果、mEEGNetは、曲線下における異常脳波、F1値、および既存のCNNと同等以上の感度を検出できた。
  論文  参考訳（メタデータ） (2021-05-21T16:52:56Z)
• EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network [0.21756081703275995]
  本稿では,頭皮電気脳波(EEG)を用いた神経疾患の診断を改善するための新しいグラフ畳み込みニューラルネットワーク(GCNN)を提案する。 脳波データのための新しいGCNNモデルであるEEG-GCNNを提案し、頭皮電極間の空間的および機能的接続を捉える。 我々は、EEG-GCNNが人間のベースラインと古典的機械学習(ML)ベースラインを大幅に上回っており、AUCは0.90であることを示した。
  論文  参考訳（メタデータ） (2020-11-17T20:25:28Z)
• Unsupervised 3D Brain Anomaly Detection [0.0]
  異常検出(AD)とは、学習したデータ分布に適合しないデータサンプルの同定である。 GAN(Generative Adrial Networks)のような深層生成モデルは、解剖学的変動を捉えるために利用される。 本研究では、1つのモデルで体積データを効率的に処理し、3次元脳異常を検出する最初のADアプローチを例示する。
  論文  参考訳（メタデータ） (2020-10-09T17:59:17Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)

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。