論文の概要: Combining General and Personalized Models for Epilepsy Detection with
Hyperdimensional Computing
- arxiv url: http://arxiv.org/abs/2303.14745v1
- Date: Sun, 26 Mar 2023 14:51:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 17:40:40.742371
- Title: Combining General and Personalized Models for Epilepsy Detection with
Hyperdimensional Computing
- Title(参考訳): 超次元計算によるてんかん検出のための一般モデルとパーソナライズドモデルの組み合わせ
- Authors: Una Pale, Tomas Teijeiro, David Atienza
- Abstract要約: てんかんは慢性神経疾患であり、有病率が高い。
日常生活におけるてんかんの検出と継続的な外来モニタリングを可能にするための十分な技術支援はいまだに存在しない。
本研究では、HDコンピューティングと、そのモデルの構築と保存方法が、てんかん検出のためのより高度な機械学習モデルをさらに理解し、比較し、作成するために使用できる、いくつかの追加の側面を実証する。
- 参考スコア(独自算出の注目度): 4.538319875483978
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Epilepsy is a chronic neurological disorder with a significant prevalence.
However, there is still no adequate technological support to enable epilepsy
detection and continuous outpatient monitoring in everyday life.
Hyperdimensional (HD) computing is an interesting alternative for wearable
devices, characterized by a much simpler learning process and also lower memory
requirements. In this work, we demonstrate a few additional aspects in which HD
computing, and the way its models are built and stored, can be used for further
understanding, comparing, and creating more advanced machine learning models
for epilepsy detection. These possibilities are not feasible with other
state-of-the-art models, such as random forests or neural networks. We compare
inter-subject similarity of models per different classes (seizure and
non-seizure), then study the process of creation of generalized models from
personalized ones, and in the end, how to combine personalized and generalized
models to create hybrid models. This results in improved epilepsy detection
performance. We also tested knowledge transfer between models created on two
different datasets. Finally, all those examples could be highly interesting not
only from an engineering perspective to create better models for wearables, but
also from a neurological perspective to better understand individual epilepsy
patterns.
- Abstract(参考訳): てんかんは慢性神経疾患であり、有病率が高い。
しかし, 日常生活におけるてんかん検出と継続的な外来モニタリングを実現するための十分な技術支援はいまだにない。
超次元(HD)コンピューティングは、より単純な学習プロセスと低いメモリ要求によって特徴付けられるウェアラブルデバイスの興味深い代替手段である。
本研究では,hdコンピューティングと,そのモデルの構築と保存方法が,てんかん検出のためのより高度な機械学習モデルをさらに理解し,比較し,作成するためのいくつかの側面を実証する。
これらの可能性は、ランダムな森林やニューラルネットワークなど、他の最先端モデルでは実現不可能である。
異なるクラス毎のモデルのオブジェクト間類似性(セイズレと非セイズレ)を比較し、パーソナライズされたモデルから一般化されたモデルを作成する過程を研究し、最終的に、パーソナライズされたモデルと一般化されたモデルを組み合わせてハイブリッドモデルを作成する方法について研究する。
これによりてんかん検出性能が向上する。
また、2つの異なるデータセットで作成されたモデル間の知識転送もテストしました。
最後に、これらすべての例は、エンジニアリングの観点から、ウェアラブルのためのより良いモデルを作るだけでなく、個々のてんかんパターンをよりよく理解するための神経学的視点から、非常に興味深いものになり得る。
関連論文リスト
- Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳(メタデータ) (2022-11-12T23:28:54Z) - Can segmentation models be trained with fully synthetically generated
data? [0.39577682622066246]
BrainSPADEは、合成拡散ベースのラベルジェネレータとセマンティックイメージジェネレータを組み合わせたモデルである。
本モデルでは, 興味の病理の有無に関わらず, オンデマンドで完全合成脳ラベルを作成でき, 任意のガイド型MRI画像を生成することができる。
brainSPADE合成データは、実際のデータでトレーニングされたモデルに匹敵するパフォーマンスでセグメンテーションモデルをトレーニングするために使用できる。
論文 参考訳(メタデータ) (2022-09-17T05:24:04Z) - Learning Physics between Digital Twins with Low-Fidelity Models and
Physics-Informed Gaussian Processes [0.0]
デジタル双生児間の学習のためのベイズ的手法を,個々の物理的パラメータが興味のある環境で導入する。
モデル差分項は、各パーソナライズされたモデルのモデル定式化に組み込まれ、低忠実度モデルの欠落物理を考慮に入れている。
ケーススタディでは、1)不完全な物理モデルに言及しないモデルは偏りがあり、過信である、2)不完全な物理モデルに言及するモデルはより不確実であるが、真実をカバーしている、3)デジタル双生児間の学習モデルは、対応する独立した個別モデルよりも不確実性が少ないが、過信ではないことが示されている。
論文 参考訳(メタデータ) (2022-06-16T14:18:45Z) - DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression
for Real-World Clinical Applications [0.9999629695552196]
本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。
本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
論文 参考訳(メタデータ) (2022-03-17T05:42:00Z) - 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) - Exploration of Hyperdimensional Computing Strategies for Enhanced
Learning on Epileptic Seizure Detection [4.538319875483978]
てんかん発作の監視と予測は、患者の生活の質を著しく向上させる可能性がある。
標準HDコンピューティングは、他の最先端アルゴリズムのレベルでは機能していない。
本稿では,異なる学習戦略を実装し,その性能を個別に評価する。
論文 参考訳(メタデータ) (2022-01-24T15:48:33Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳(メタデータ) (2020-12-07T01:20:38Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-11-18T23:13:48Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。