論文の概要: Improving self-supervised pretraining models for epileptic seizure
detection from EEG data
- arxiv url: http://arxiv.org/abs/2207.06911v1
- Date: Tue, 28 Jun 2022 17:15:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-17 19:23:41.840232
- Title: Improving self-supervised pretraining models for epileptic seizure
detection from EEG data
- Title（参考訳）: 脳波データからのてんかん発作検出のための自己教師付き事前訓練モデルの改良
- Authors: Sudip Das, Pankaj Pandey, and Krishna Prasad Miyapuram
- Abstract要約: 本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。
自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
- 参考スコア（独自算出の注目度）: 0.23624125155742057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There is abundant medical data on the internet, most of which are unlabeled.
Traditional supervised learning algorithms are often limited by the amount of
labeled data, especially in the medical domain, where labeling is costly in
terms of human processing and specialized experts needed to label them. They
are also prone to human error and biased as a select few expert annotators
label them. These issues are mitigated by Self-supervision, where we generate
pseudo-labels from unlabelled data by seeing the data itself. This paper
presents various self-supervision strategies to enhance the performance of a
time-series based Diffusion convolution recurrent neural network (DCRNN) model.
The learned weights in the self-supervision pretraining phase can be
transferred to the supervised training phase to boost the model's prediction
capability. Our techniques are tested on an extension of a Diffusion
Convolutional Recurrent Neural network (DCRNN) model, an RNN with graph
diffusion convolutions, which models the spatiotemporal dependencies present in
EEG signals. When the learned weights from the pretraining stage are
transferred to a DCRNN model to determine whether an EEG time window has a
characteristic seizure signal associated with it, our method yields an AUROC
score $1.56\%$ than the current state-of-the-art models on the TUH EEG seizure
corpus.
- Abstract（参考訳）: インターネットには豊富な医療データがあり、そのほとんどはラベルが付けられていない。
従来の教師付き学習アルゴリズムは、ラベル付けされたデータの量によって制限されることが多い。
また、人間の誤りを犯しがちで、専門家のアノテータを数名選んでラベル付けしている。
これらの問題は自己スーパービジョンによって軽減され、データ自体を見ることでラベルのないデータから擬似ラベルを生成する。
本稿では、時系列に基づく拡散畳み込みリカレントニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。
自己スーパービジョンプリトレーニングフェーズにおける学習重みは、モデルの予測能力を高めるために教師付きトレーニングフェーズに移すことができる。
本手法は,脳波信号に存在する時空間依存性をモデル化した,グラフ拡散畳み込みを持つrnnである拡散畳み込みリカレントニューラルネットワーク(dcrnn)モデルを拡張したものである。
トレーニング段階から学習した重みがDCRNNモデルに転送され、脳波の時間窓に特徴的な発作信号があるかどうかを判定すると、本手法は、TUH EEGの発作コーパスにおける現在の最先端モデルよりも1.56\%のAUROCスコアが得られる。
関連論文リスト
- Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Diffusion-Model-Assisted Supervised Learning of Generative Models for
Density Estimation [10.793646707711442]
本稿では,密度推定のための生成モデルを訓練するためのフレームワークを提案する。
スコアベース拡散モデルを用いてラベル付きデータを生成する。
ラベル付きデータが生成されると、シンプルな完全に接続されたニューラルネットワークをトレーニングして、教師付き方法で生成モデルを学ぶことができます。
論文 参考訳（メタデータ） (2023-10-22T23:56:19Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Brain-Inspired Spiking Neural Network for Online Unsupervised Time
Series Prediction [13.521272923545409]
連続学習に基づく非教師付きリカレントスパイキングニューラルネットワークモデル(CLURSNN)を提案する。
CLURSNNは、ランダム遅延埋め込み(Random Delay Embedding)を使用して基盤となる動的システムを再構築することで、オンライン予測を行う。
提案手法は,進化するロレンツ63力学系を予測する際に,最先端のDNNモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-10T16:18:37Z) - on the effectiveness of generative adversarial network on anomaly
detection [1.6244541005112747]
GANは、実際のトレーニング分布を特定するために、これらのモデルのリッチなコンテキスト情報に依存している。
本稿では,自動エンコーダとGANを組み合わせた新しい教師なしモデルを提案する。
識別器の内部表現と生成器の視覚表現の線形結合と、オートエンコーダの符号化表現とを組み合わせて、提案した異常スコアを定義する。
論文 参考訳（メタデータ） (2021-12-31T16:35:47Z) - Multiple Organ Failure Prediction with Classifier-Guided Generative
Adversarial Imputation Networks [4.040013871160853]
多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。
機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
論文 参考訳（メタデータ） (2021-06-22T15:49:01Z) - Automated Seizure Detection and Seizure Type Classification From
Electroencephalography With a Graph Neural Network and Self-Supervised
Pre-Training [5.770965725405472]
本稿では,脳波をグラフとしてモデル化し,自動発作検出と分類のためのグラフニューラルネットワークを提案する。
自己教師付き事前学習を伴うグラフモデルは,これまでのcnnモデルとlstmモデルを大きく上回っている。
論文 参考訳（メタデータ） (2021-04-16T20:32:10Z) - 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) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - 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)
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。