論文の概要: EventNet: Detecting Events in EEG

• arxiv url: http://arxiv.org/abs/2209.11007v1
• Date: Thu, 22 Sep 2022 13:44:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 14:45:19.719931
• Title: EventNet: Detecting Events in EEG
• Title（参考訳）: EventNet:EEGのイベントを検出する
• Authors: Nick Seeuws, Maarten De Vos, Alexander Bertrand
• Abstract要約: 本稿では,ディープラーニングに基づくエンドツーエンドイベント検出手法(EventNet)を提案する。 EventNetと最先端のアーティファクトとてんかん発作検出のアプローチを比較した。 この結果から, アドホックな後処理ではなく, 直接学習対象としてイベントを処理できることが示唆された。
• 参考スコア（独自算出の注目度）: 69.34035527763916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurologists are often looking for various "events of interest" when analyzing EEG. To support them in this task various machine-learning-based algorithms have been developed. Most of these algorithms treat the problem as classification, thereby independently processing signal segments and ignoring temporal dependencies inherent to events of varying duration. At inference time, the predicted labels for each segment then have to be post processed to detect the actual events. We propose an end-to-end event detection approach (EventNet), based on deep learning, that directly works with events as learning targets, stepping away from ad-hoc postprocessing schemes to turn model outputs into events. We compare EventNet with a state-of-the-art approach for artefact and and epileptic seizure detection, two event types with highly variable durations. EventNet shows improved performance in detecting both event types. These results show the power of treating events as direct learning targets, instead of using ad-hoc postprocessing to obtain them. Our event detection framework can easily be extended to other event detection problems in signal processing, since the deep learning backbone does not depend on any task-specific features.
• Abstract（参考訳）: 神経学者はしばしば脳波を分析する際に様々な「興味のある出来事」を求める。 このタスクでそれらをサポートするために、様々な機械学習ベースのアルゴリズムが開発された。 これらのアルゴリズムのほとんどは、この問題を分類として扱い、信号セグメントを独立に処理し、時間的依存を無視する。 推論時には、予測された各セグメントのラベルを処理して実際のイベントを検出する必要がある。 本稿では,ディープラーニングに基づくエンドツーエンドのイベント検出手法(eventnet)を提案する。イベントを学習対象として直接扱うことで,モデル出力をイベントに変換するアドホックなポストプロセッシングスキームを廃止する。 EventNetと最先端のアーティファクトとてんかん発作検出の2つのイベントタイプを比較した。 eventnetは両方のイベントタイプを検出することでパフォーマンスが向上している。 これらの結果は、アドホックな後処理を使わずに、イベントを直接学習対象として扱う能力を示している。 当社のイベント検出フレームワークは,ディープラーニングバックボーンがタスク固有の機能に依存しないため,信号処理における他のイベント検出問題にも容易に拡張することができます。

関連論文リスト

• EventFlow: Forecasting Continuous-Time Event Data with Flow Matching [12.976042923229466]
  本研究では,時間的ポイントプロセスのための非自己回帰生成モデルであるEventFlowを提案する。 我々のモデルはフローマッチングフレームワークの上に構築され、イベント時間を通じて関節分布を直接学習し、自己回帰プロセスをサイドステッピングします。
  論文  参考訳（メタデータ） (2024-10-09T20:57:00Z)
• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• Spatio-Temporal Point Process for Multiple Object Tracking [30.041104276095624]
  多重オブジェクト追跡(MOT)は、連続するフレーム間の検出対象の関係をモデル化し、それらを異なる軌道にマージすることに焦点を当てている。 本稿では,物体を軌道に関連付ける前に,ノイズを効果的に予測し,マスクアウトし,検出結果を混乱させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-05T18:14:08Z)
• Semantic Pivoting Model for Effective Event Detection [19.205550116466604]
  Event Detectionは、構造化されていない記事からイベントインスタンスの参照を識別し、分類することを目的としている。 イベント検出の既存のテクニックは、イベントタイプクラスを表現するために、均質な1ホットベクトルのみを使用しており、型の意味がタスクにとって重要であるという事実を無視している。 本稿では,学習中の事前情報を明示的に組み込んで,入力とイベント間の意味的に意味のある相関関係を捉えるセマンティック・ピロリング・モデル(SPEED)を提案する。
  論文  参考訳（メタデータ） (2022-11-01T19:20:34Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)
• Process Discovery for Structured Program Synthesis [70.29027202357385]
  プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。 本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。 我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
  論文  参考訳（メタデータ） (2020-08-13T10:33:10Z)

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。