論文の概要: Do Not Sleep on Linear Models: Simple and Interpretable Techniques
Outperform Deep Learning for Sleep Scoring
- arxiv url: http://arxiv.org/abs/2207.07753v2
- Date: Tue, 19 Jul 2022 12:56:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-20 11:12:07.736709
- Title: Do Not Sleep on Linear Models: Simple and Interpretable Techniques
Outperform Deep Learning for Sleep Scoring
- Title（参考訳）: 線形モデル上では眠らない: 簡易かつ解釈可能な深層学習法
- Authors: Jeroen Van Der Donckt, Jonas Van Der Donckt, Emiel Deprost, Nicolas
Vandenbussche, Michael Rademaker, Gilles Vandewiele, Sofie Van Hoecke
- Abstract要約: 私たちは、睡眠スコアリングのディープラーニングソリューションのほとんどは、トレーニング、デプロイ、再現が難しいため、実際の適用性に制限がある、と論じています。
本研究では,従来の機械学習を用いた睡眠ステージ分類の問題を再考する。
その結果、従来の機械学習パイプラインでは、最先端のパフォーマンスが達成できることがわかった。
- 参考スコア（独自算出の注目度）: 1.6339105551302067
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the last few years, research in automatic sleep scoring has mainly
focused on developing increasingly complex deep learning architectures.
However, recently these approaches achieved only marginal improvements, often
at the expense of requiring more data and more expensive training procedures.
Despite all these efforts and their satisfactory performance, automatic sleep
staging solutions are not widely adopted in a clinical context yet. We argue
that most deep learning solutions for sleep scoring are limited in their
real-world applicability as they are hard to train, deploy, and reproduce.
Moreover, these solutions lack interpretability and transparency, which are
often key to increase adoption rates. In this work, we revisit the problem of
sleep stage classification using classical machine learning. Results show that
state-of-the-art performance can be achieved with a conventional machine
learning pipeline consisting of preprocessing, feature extraction, and a simple
machine learning model. In particular, we analyze the performance of a linear
model and a non-linear (gradient boosting) model. Our approach surpasses
state-of-the-art (that uses the same data) on two public datasets: Sleep-EDF
SC-20 (MF1 0.810) and Sleep-EDF ST (MF1 0.795), while achieving competitive
results on Sleep-EDF SC-78 (MF1 0.775) and MASS SS3 (MF1 0.817). We show that,
for the sleep stage scoring task, the expressiveness of an engineered feature
vector is on par with the internally learned representations of deep learning
models. This observation opens the door to clinical adoption, as a
representative feature vector allows to leverage both the interpretability and
successful track record of traditional machine learning models.
- Abstract（参考訳）: 過去数年間、自動睡眠スコアリングの研究は、より複雑なディープラーニングアーキテクチャの開発に重点を置いてきた。
しかし、最近これらのアプローチは限界的な改善しか達成せず、多くの場合、より多くのデータとより高価な訓練手順を必要とした。
これらの努力と十分な性能にもかかわらず、自動睡眠ステージングソリューションはまだ臨床環境では広く採用されていない。
睡眠スコアリングのためのディープラーニングソリューションのほとんどは、トレーニング、デプロイ、再現が難しいため、実際の適用性に制限がある、と私たちは主張する。
さらに、これらのソリューションには解釈可能性や透明性が欠如しています。
本研究では,従来の機械学習を用いた睡眠ステージ分類の問題を再考する。
その結果、前処理、特徴抽出、単純な機械学習モデルからなる従来の機械学習パイプラインによって、最先端のパフォーマンスを達成できることがわかった。
特に線形モデルと非線形(漸進的なブースティング)モデルの性能を解析する。
当社のアプローチは,Sleep-EDF SC-20 (MF1 0.810) とSleep-EDF ST (MF1 0.795) の2つの公開データセット上での最先端(同じデータを使用する)を越えつつ,Sleep-EDF SC-78 (MF1 0.775) とMASS SS3 (MF1 0.817) の競合結果を達成している。
睡眠ステージスコアリングタスクでは,設計された特徴ベクトルの表現性は,ディープラーニングモデルの内部学習表現と同等であることが示されている。
この観察は、典型的な機能ベクターとして、従来の機械学習モデルの解釈可能性と成功実績の両方を活用できるため、臨床採用への扉を開く。
関連論文リスト
- PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳（メタデータ） (2023-09-13T17:55:11Z) - Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage
Classification with Model Interpretability [5.747465732334616]
本研究では,残差ネットワーク内に圧縮ブロックと励起ブロックを統合し,複雑な時間的依存関係を理解するために,特徴抽出と積み重ねBi-LSTMを組み込んだエンド・ツー・エンドディープラーニング(DL)モデルを提案する。
本研究の特筆すべき側面は、睡眠ステージングのためのGradCamの適応であり、この領域における説明可能なDLモデルの最初の事例であり、その決定と睡眠専門家の洞察の一致である。
論文 参考訳（メタデータ） (2023-09-10T17:56:03Z) - RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。
本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2023-07-05T12:49:02Z) - Phantom Embeddings: Using Embedding Space for Model Regularization in
Deep Neural Networks [12.293294756969477]
機械学習モデルの強みは、データから複雑な関数近似を学ぶ能力に起因している。
複雑なモデルはトレーニングデータを記憶する傾向があり、結果としてテストデータの正規化性能が低下する。
情報豊富な潜伏埋め込みと高いクラス内相関を利用してモデルを正規化するための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-04-14T17:15:54Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳（メタデータ） (2023-03-20T14:12:55Z) - A CNN-Transformer Deep Learning Model for Real-time Sleep Stage
Classification in an Energy-Constrained Wireless Device [2.5672176409865686]
本稿では,単一チャネル脳波データに基づく自動睡眠ステージ分類のためのディープラーニング(DL)モデルを提案する。
このモデルは、ローカル処理によるリアルタイム操作のために、エネルギーとメモリ制限されたデバイス上で動作するように設計された。
我々は、Arduino Nano 33 BLEボード上で、提案モデルの小型版をテストし、完全に機能し、精度が高かった。
論文 参考訳（メタデータ） (2022-11-20T16:22:30Z) - Performance and utility trade-off in interpretable sleep staging [0.0]
脳波、EOG、筋電図などの生理学的信号に基づいて、臨床診断支援システム、睡眠ステージングの解釈方法について検討する。
提案されたフレームワークであるNormIntSleepは、正規化機能を使用してディープラーニングの埋め込みを表現することで、さまざまなデータセット間で優れたパフォーマンスを得ることができることを示している。
論文 参考訳（メタデータ） (2022-11-07T03:27:01Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳（メタデータ） (2022-09-01T17:05:20Z) - Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
古典力学の先行概念を機械学習モデルに統合する手法が提案されている。
これらのモデルの現在の機能について、精査する。
連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
論文 参考訳（メタデータ） (2021-11-09T23:48:21Z) - Sleep Staging Based on Serialized Dual Attention Network [0.0]
生の脳波に基づく深層学習モデルSDANを提案する。
チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。
他の方法と比較して、N1睡眠期において優れた結果が得られる。
論文 参考訳（メタデータ） (2021-07-18T13:18:12Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z)
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。