論文の概要: Neural Network Entropy (NNetEn): EEG Signals and Chaotic Time Series
Separation by Entropy Features, Python Package for NNetEn Calculation
- arxiv url: http://arxiv.org/abs/2303.17995v1
- Date: Fri, 31 Mar 2023 12:11:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 14:14:19.858964
- Title: Neural Network Entropy (NNetEn): EEG Signals and Chaotic Time Series
Separation by Entropy Features, Python Package for NNetEn Calculation
- Title（参考訳）: ニューラルネットワークエントロピー(NNetEn):エントロピー特徴による脳波信号とカオス時系列分離、NNetEn計算のためのPythonパッケージ
- Authors: Andrei Velichko, Maksim Belyaev, Yuriy Izotov, Murugappan Murugappan
and Hanif Heidari
- Abstract要約: ニューラルネットワークエントロピー(NNetEn)の概念は、LogNNetニューラルネットワークに記録された時系列のエントロピーに関連する特別なデータセットの分類に基づいている。
NNetEnは、時系列のカオス力学を元の方法で推定する。
NNetEnの効率は、2つのカオス時系列の正弦写像の分離によって検証される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Entropy measures are effective features for time series classification
problems. Traditional entropy measures, such as Shannon entropy, use
probability distribution function. However, for the effective separation of
time series, new entropy estimation methods are required to characterize the
chaotic dynamic of the system. Our concept of Neural Network Entropy (NNetEn)
is based on the classification of special datasets (MNIST-10 and
SARS-CoV-2-RBV1) in relation to the entropy of the time series recorded in the
reservoir of the LogNNet neural network. NNetEn estimates the chaotic dynamics
of time series in an original way. Based on the NNetEn algorithm, we propose
two new classification metrics: R2 Efficiency and Pearson Efficiency. The
efficiency of NNetEn is verified on separation of two chaotic time series of
sine mapping using dispersion analysis (ANOVA). For two close dynamic time
series (r = 1.1918 and r = 1.2243), the F-ratio has reached the value of 124
and reflects high efficiency of the introduced method in classification
problems. The EEG signal classification for healthy persons and patients with
Alzheimer disease illustrates the practical application of the NNetEn features.
Our computations demonstrate the synergistic effect of increasing
classification accuracy when applying traditional entropy measures and the
NNetEn concept conjointly. An implementation of the algorithms in Python is
presented.
- Abstract（参考訳）: エントロピー測度は時系列分類問題に有効な特徴である。
シャノンエントロピーのような伝統的なエントロピー測度は確率分布関数を用いる。
しかし, 時系列を効果的に分離するためには, システムのカオス力学を特徴付ける新しいエントロピー推定法が必要となる。
ニューラルネットワークエントロピー(NNetEn)の概念は,LogNNetニューラルネットワークの貯留層に記録された時系列のエントロピーに関連して,特別なデータセット(MNIST-10とSARS-CoV-2-RBV1)の分類に基づいている。
NNetEnは、時系列のカオス力学を元の方法で推定する。
NNetEnアルゴリズムに基づいて、R2効率とピアソン効率の2つの新しい分類指標を提案する。
分散分析 (ANOVA) を用いて2つのカオス時系列の正弦写像を分離し, NNetEnの効率を検証した。
2つの閉ダイナミック時系列 (r = 1.1918 と r = 1.2243) に対して、f-ratio は 124 の値に達し、分類問題における導入法の高い効率を反映している。
健康な人やアルツハイマー病患者の脳波信号分類は、NNetEnの特徴の実用性を示している。
従来のエントロピー測度とNNetEn概念を併用する際の分類精度の向上による相乗効果を示す。
pythonにおけるアルゴリズムの実装について述べる。
関連論文リスト
- Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Time-Parameterized Convolutional Neural Networks for Irregularly Sampled
Time Series [26.77596449192451]
不規則にサンプリングされた時系列は、いくつかのアプリケーション領域でユビキタスであり、スパースであり、完全に観測されていない、非整合的な観察に繋がる。
標準シーケンシャルニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)は、観測時間間の定期的な間隔を考慮し、不規則な時系列モデリングに重大な課題を提起する。
時間的に不規則なカーネルを用いて畳み込み層をパラメータ化する。
論文 参考訳（メタデータ） (2023-08-06T21:10:30Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Novel techniques for improvement the NNetEn entropy calculation for
short and noisy time series [0.0]
エントロピー測度には、時系列の長さや振幅に対する感度、外部ノイズに対するロバスト性などの欠点がある。
NNetEnエントロピー測度はこれらの問題を克服するために導入された。
SNRが30dBを超えると、NNetEnエントロピーの計算誤差が10%を超えないことが示されている。
論文 参考訳（メタデータ） (2022-02-25T14:01:13Z) - On the adaptation of recurrent neural networks for system identification [2.5234156040689237]
本稿では,動的システムのリカレントニューラルネットワーク(RNN)モデルの高速かつ効率的な適応を可能にするトランスファー学習手法を提案する。
その後、システムダイナミクスが変化すると仮定され、摂動系における名目モデルの性能が不可避的に低下する。
ミスマッチに対処するため、新しい動的状態からの新鮮なデータに基づいてトレーニングされた付加的補正項でモデルを拡張する。
論文 参考訳（メタデータ） (2022-01-21T12:04:17Z) - A method for estimating the entropy of time series using artificial
neural network [0.0]
エントロピー測度には 欠点があります 特に 短い連続では
本稿では,LogNNet 784:25:10ニューラルネットワークモデルを用いて時系列のエントロピーを推定する手法を提案する。
論文 参考訳（メタデータ） (2021-07-18T09:31:14Z) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-05T07:06:19Z)
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。