論文の概要: A multi-level interpretable sleep stage scoring system by infusing experts' knowledge into a deep network architecture

• arxiv url: http://arxiv.org/abs/2207.04585v1
• Date: Mon, 11 Jul 2022 02:19:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 02:44:11.975641
• Title: A multi-level interpretable sleep stage scoring system by infusing experts' knowledge into a deep network architecture
• Title（参考訳）: 深層ネットワークアーキテクチャに専門家の知識を注入した多段階解釈型睡眠ステージスコアリングシステム
• Authors: Hamid Niknazar and Sara C. Mednick
• Abstract要約: 本研究の目的は,睡眠期評価のための脳波時系列分類のための解釈可能な深層学習システムを設計することであった。 カーネルベースの畳み込み層がシステムの最初の層として定義され、ユーザ解釈に利用できるようになった。 提案システムは,先行研究よりも高い性能を示し,解釈結果から,専門家の知識と整合性のある情報を学習したことが示された。
• 参考スコア（独自算出の注目度）: 0.6853165736531939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, deep learning has shown potential and efficiency in a wide area including computer vision, image and signal processing. Yet, translational challenges remain for user applications due to a lack of interpretability of algorithmic decisions and results. This black box problem is particularly problematic for high-risk applications such as medical-related decision-making. The current study goal was to design an interpretable deep learning system for time series classification of electroencephalogram (EEG) for sleep stage scoring as a step toward designing a transparent system. We have developed an interpretable deep neural network that includes a kernel-based layer based on a set of principles used for sleep scoring by human experts in the visual analysis of polysomnographic records. A kernel-based convolutional layer was defined and used as the first layer of the system and made available for user interpretation. The trained system and its results were interpreted in four levels from the microstructure of EEG signals, such as trained kernels and the effect of each kernel on the detected stages, to macrostructures, such as the transition between stages. The proposed system demonstrated greater performance than prior studies and the results of interpretation showed that the system learned information which was consistent with expert knowledge.
• Abstract（参考訳）: 近年、ディープラーニングはコンピュータビジョン、画像、信号処理など幅広い分野において可能性と効率を示している。 しかし、アルゴリズムによる決定や結果の解釈性が欠如しているため、ユーザアプリケーションでは翻訳上の課題が残る。 このブラックボックス問題は、医療関連意思決定のようなリスクの高いアプリケーションでは特に問題となる。 現在の研究目標は、透明なシステムを設計するためのステップとして、睡眠段階スコアの時系列分類のための解釈可能な深層学習システム(EEG)を設計することであった。 本研究では,マルチソムノグラフィー記録の視覚的解析において,人間が睡眠スコアリングに使用する一連の原則に基づくカーネルベース層を含む,解釈可能な深層ニューラルネットワークを開発した。 カーネルベースの畳み込み層がシステムの最初の層として定義され、ユーザ解釈に利用できるようになった。 訓練されたシステムとその結果は、訓練されたカーネルなどの脳波信号の微細構造と検出されたステージに対する各カーネルの影響から、ステージ間の遷移のようなマクロ構造まで4段階に解釈された。 提案システムは先行研究よりも高い性能を示し,解釈結果から,専門家の知識と整合性のある情報を学習したことが示された。

関連論文リスト

• Machine learning for structural design models of continuous beam systems via influence zones [3.284878354988896]
  この研究は、逆問題の観点から連続ビームシステムのための機械学習構造設計モデルを開発する。 本研究の目的は,任意のシステムサイズを持つ連続ビームシステムの断面積要求を予測できる非定常構造設計モデルを概念化することである。
  論文  参考訳（メタデータ） (2024-03-14T14:53:18Z)
• Automating the Design and Development of Gradient Descent Trained Expert System Networks [0.0]
  従来の研究は、ニューラルネットワークの学習能力とエキスパートシステムの理解性と防御可能なロジックを概念的に組み合わせた、勾配降下訓練されたエキスパートシステムを導入していた。 本稿では,ニューラルネットワークと比較して,この重要な限界を克服する手法を提案する。 具体的には,より大規模で高密度なアプリケーションを必要とするルールファクトネットワークの利用を提案する。
  論文  参考訳（メタデータ） (2022-07-04T18:55:10Z)
• Remote Sensing Image Classification using Transfer Learning and Attention Based Deep Neural Network [59.86658316440461]
  本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。 提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
  論文  参考訳（メタデータ） (2022-06-20T10:05:38Z)
• Dynamic Inference with Neural Interpreters [72.90231306252007]
  本稿では,モジュールシステムとしての自己アテンションネットワークにおける推論を分解するアーキテクチャであるNeural Interpretersを提案する。 モデルへの入力は、エンドツーエンドの学習方法で一連の関数を通してルーティングされる。 ニューラル・インタープリタは、より少ないパラメータを用いて視覚変換器と同等に動作し、サンプル効率で新しいタスクに転送可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-12T23:22:45Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• Neonatal seizure detection from raw multi-channel EEG using a fully convolutional architecture [1.8352113484137622]
  このアーキテクチャは、従来の機械学習ベースのソリューションで使われている最先端の手作業による特徴に基づく表現とは対照的に、生脳波(EEG)信号からの発作イベントを検出するように設計されている。 提案したアーキテクチャは、新生児脳波にディープラーニングを適用するための新たな道を開き、正確な臨床ラベルの入手に頼らずに、トレーニングデータの量の関数としての性能が向上する。
  論文  参考訳（メタデータ） (2021-05-28T14:08:36Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Contextual Information Enhanced Convolutional Neural Networks for Retinal Vessel Segmentation in Color Fundus Images [0.0]
  自動網膜血管セグメンテーションシステムは、臨床診断及び眼科研究を効果的に促進することができる。 ディープラーニングベースの手法が提案され、いくつかのカスタマイズされたモジュールが有名なエンコーダデコーダアーキテクチャU-netに統合されている。 その結果,提案手法は先行技術よりも優れ,感性/リコール,F1スコア,MCCの最先端性能を実現している。
  論文  参考訳（メタデータ） (2021-03-25T06:10:47Z)
• Supervised Learning with First-to-Spike Decoding in Multilayer Spiking Neural Networks [0.0]
  本稿では,多層スパイキングニューラルネットワークを学習して分類問題を解くための教師あり学習手法を提案する。 提案した学習規則は、隠れニューロンが発する複数のスパイクをサポートし、決定論的出力層によって生成された最初のスパイク応答に依存することにより安定である。 また、入力データのコンパクト表現を形成するために、いくつかの異なるスパイクベースの符号化戦略についても検討する。
  論文  参考訳（メタデータ） (2020-08-16T15:34:48Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。