論文の概要: Variational Autoencoder Learns Better Feature Representations for
EEG-based Obesity Classification
- arxiv url: http://arxiv.org/abs/2302.00789v1
- Date: Wed, 1 Feb 2023 22:48:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-03 15:59:50.939680
- Title: Variational Autoencoder Learns Better Feature Representations for
EEG-based Obesity Classification
- Title（参考訳）: 変分オートエンコーダは脳波に基づく肥満分類のためのより良い特徴表現を学習する
- Authors: Yuan Yue, Jeremiah D. Deng, Dirk De Ridder, Patrick Manning, Divya
Adhia
- Abstract要約: 肥満に関連する神経学的特徴を明らかにすることを目的として,脳波の静止状態(脳波)を調査する研究が進められている。
肥満とリーンの被験者分類のために,脳波の特徴を抽出する深層学習に基づくフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.8399688944263843
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Obesity is a common issue in modern societies today that can lead to various
diseases and significantly reduced quality of life. Currently, research has
been conducted to investigate resting state EEG (electroencephalogram) signals
with an aim to identify possible neurological characteristics associated with
obesity. In this study, we propose a deep learning-based framework to extract
the resting state EEG features for obese and lean subject classification.
Specifically, a novel variational autoencoder framework is employed to extract
subject-invariant features from the raw EEG signals, which are then classified
by a 1-D convolutional neural network. Comparing with conventional machine
learning and deep learning methods, we demonstrate the superiority of using VAE
for feature extraction, as reflected by the significantly improved
classification accuracies, better visualizations and reduced impurity measures
in the feature representations. Future work can be directed to gaining an
in-depth understanding regarding the spatial patterns that have been learned by
the proposed model from a neurological view, as well as improving the
interpretability of the proposed model by allowing it to uncover any
temporal-related information.
- Abstract（参考訳）: 現代の社会では肥満が一般的な問題であり、様々な病気や生活の質を著しく低下させる可能性がある。
現在,肥満に関連する神経学的特徴を明らかにする目的で,安静時脳波(electroencephalogram)信号の検討が行われている。
本研究では,肥満とリーンの被験者分類のための脳波特徴を抽出する深層学習に基づくフレームワークを提案する。
具体的には、新しい変分オートエンコーダフレームワークを用いて、生の脳波信号から主題不変の特徴を抽出し、1次元畳み込みニューラルネットワークによって分類する。
従来の機械学習およびディープラーニング手法と比較して,特徴抽出にvaeを用いた場合,特徴表現における識別精度,可視化精度の向上,不純物対策の低減が反映される。
今後の研究は、神経学的視点から提案モデルによって学習された空間パターンに関する深い理解を得るとともに、時間的関連情報を明らかにすることにより、提案モデルの解釈可能性を向上させることに向けることができる。
関連論文リスト
- Feature Estimation of Global Language Processing in EEG Using Attention Maps [5.173821279121835]
本研究は,脳波の特徴推定に新たなアプローチを導入し,深層学習モデルの重みを利用してその関連を探索する。
視覚変換器とEEGNetから生成したアテンションマップは,従来の研究結果と一致した特徴を効果的に同定できることを実証する。
ViTsを用いたMel-Spectrogramの適用により、時間および周波数関連脳波特性の分解能が向上する。
論文 参考訳（メタデータ） (2024-09-27T22:52:31Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳（メタデータ） (2023-09-21T08:53:51Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Finding neural signatures for obesity through feature selection on
source-localized EEG [0.8399688944263843]
脳波データから得られるアルファバンド機能接続機能を用いて、肥満女性の脳ネットワークを識別する新しい機械学習モデルを開発した。
本研究は, 肥満脳の特徴として, 自己参照情報や環境コンテキスト情報を処理する領域に障害が生じていることが示唆された。
論文 参考訳（メタデータ） (2022-08-30T06:24:07Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Evaluation of Interpretability for Deep Learning algorithms in EEG
Emotion Recognition: A case study in Autism [4.752074022068791]
説明可能な人工知能(XAI)に関する現在のモデルでは、特徴関連性を測定するための信頼性の欠如が明らかで定量化されている。
この研究は、脳波に基づく顔の感情認識を成功させるために、より透明な特徴関連計算を統合する最初のものである。
論文 参考訳（メタデータ） (2021-11-25T18:28:29Z) - EEG-based Cross-Subject Driver Drowsiness Recognition with an
Interpretable Convolutional Neural Network [0.0]
我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。
その結果,11名の被験者に対して平均78.35%の精度が得られた。
論文 参考訳（メタデータ） (2021-05-30T14:47:20Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - ICAM-reg: Interpretable Classification and Regression with Feature
Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。
Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。
本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
論文 参考訳（メタデータ） (2021-03-03T17:55:14Z)
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。