論文の概要: Avoiding Post-Processing with Event-Based Detection in Biomedical Signals

• arxiv url: http://arxiv.org/abs/2209.11007v2
• Date: Fri, 7 Jul 2023 12:24:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 16:03:45.293053
• Title: Avoiding Post-Processing with Event-Based Detection in Biomedical Signals
• Title（参考訳）: 生体信号における事象検出による後処理の回避
• Authors: Nick Seeuws, Maarten De Vos, Alexander Bertrand
• Abstract要約: 学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。 イベントベースのモデリング(後処理なし)は、広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 69.34035527763916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Finding events of interest is a common task in biomedical signal processing. The detection of epileptic seizures and signal artefacts are two key examples. Epoch-based classification is the typical machine learning framework to detect such signal events because of the straightforward application of classical machine learning techniques. Usually, post-processing is required to achieve good performance and enforce temporal dependencies. Designing the right post-processing scheme to convert these classification outputs into events is a tedious, and labor-intensive element of this framework. Methods: We propose an event-based modeling framework that directly works with events as learning targets, stepping away from ad-hoc post-processing schemes to turn model outputs into events. We illustrate the practical power of this framework on simulated data and real-world data, comparing it to epoch-based modeling approaches. Results: We show that event-based modeling (without post-processing) performs on par with or better than epoch-based modeling with extensive post-processing. Conclusion: These results show the power of treating events as direct learning targets, instead of using ad-hoc post-processing to obtain them, severely reducing design effort. Significance: The event-based modeling framework can easily be applied to other event detection problems in signal processing, removing the need for intensive task-specific post-processing.
• Abstract（参考訳）: 目的: 興味のある事象を見つけることは、生体信号処理において一般的な課題である。 てんかん発作と信号アーチファクトの検出は2つの重要な例である。 Epochベースの分類は、古典的な機械学習技術の素直な応用のため、このような信号イベントを検出する典型的な機械学習フレームワークである。 通常、後処理は優れたパフォーマンスを達成し、一時的な依存関係を強制するために必要である。 これらの分類出力をイベントに変換するための適切な後処理スキームを設計することは、このフレームワークの退屈で労働集約的な要素です。 メソッド: モデル出力をイベントに変換するためのアドホックな後処理スキームから離れ、学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。 シミュレーションデータと実世界のデータに対するこのフレームワークの実用的能力について,エポックなモデリング手法と比較した。 結果: イベントベースのモデリング(後処理なし)は, 広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。 結論: これらの結果は, アドホックな後処理を使わずに, 直接学習目標としてイベントを扱う力を示し, 設計努力を著しく削減した。 意義: イベントベースのモデリングフレームワークは、信号処理における他のイベント検出問題に容易に適用でき、タスク固有の後処理の必要性を排除します。

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。