Fugu-MT 論文翻訳(概要): Knowledge-Distilled Graph Neural Networks for Personalized Epileptic Seizure Detection

論文の概要: Knowledge-Distilled Graph Neural Networks for Personalized Epileptic Seizure Detection

arxiv url: http://arxiv.org/abs/2304.06038v1
Date: Mon, 3 Apr 2023 15:37:40 GMT
ステータス: 処理完了
システム内更新日: 2023-04-16 22:07:02.327693
Title: Knowledge-Distilled Graph Neural Networks for Personalized Epileptic Seizure Detection
Title（参考訳）: ナレッジ蒸留グラフニューラルネットワークによるてんかん発作のパーソナライズ
Authors: Qinyue Zheng, Arun Venkitaraman, Simona Petravic, and Pascal Frossard
Abstract要約: そこで,本研究では,全電極から得られたデータに基づいて訓練された高度感応検知器(教師と呼ぶ)から知識を伝達し,新しい検出器(学生と呼ぶ)を学習するための新しい知識蒸留手法を提案する。どちらも軽量な実装を提供しており、脳波を記録するのに必要な電極の数を大幅に削減している。以上の結果から,脳波の少ない症例では,知識蒸留とパーソナライゼーションの両方が,発作検出の性能向上に重要な役割を担っていることが明らかとなった。
参考スコア（独自算出の注目度）: 43.905374104261014
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Wearable devices for seizure monitoring detection could significantly improve the quality of life of epileptic patients. However, existing solutions that mostly rely on full electrode set of electroencephalogram (EEG) measurements could be inconvenient for every day use. In this paper, we propose a novel knowledge distillation approach to transfer the knowledge from a sophisticated seizure detector (called the teacher) trained on data from the full set of electrodes to learn new detectors (called the student). They are both providing lightweight implementations and significantly reducing the number of electrodes needed for recording the EEG. We consider the case where the teacher and the student seizure detectors are graph neural networks (GNN), since these architectures actively use the connectivity information. We consider two cases (a) when a single student is learnt for all the patients using preselected channels; and (b) when personalized students are learnt for every individual patient, with personalized channel selection using a Gumbelsoftmax approach. Our experiments on the publicly available Temple University Hospital EEG Seizure Data Corpus (TUSZ) show that both knowledge-distillation and personalization play significant roles in improving performance of seizure detection, particularly for patients with scarce EEG data. We observe that using as few as two channels, we are able to obtain competitive seizure detection performance. This, in turn, shows the potential of our approach in more realistic scenario of wearable devices for personalized monitoring of seizures, even with few recordings.
Abstract（参考訳）: 発作モニタリングのためのウェアラブルデバイスはてんかん患者の生活の質を著しく向上させる可能性がある。しかし、電脳波(EEG)の完全な電極セットに依存する既存のソリューションは、毎日の使用には不都合である可能性がある。そこで,本研究では,全電極から学習した高精細な検知器(教師と呼ぶ)から知識を伝達し,新しい検出器(学生と呼ぶ)を学習するための新しい知識蒸留手法を提案する。どちらも軽量な実装を提供し、脳波記録に必要な電極数を著しく削減している。本稿では,教師と生徒の発作検知器がグラフニューラルネットワーク(gnn)である場合について考察する。私たちは2つのケースを考えます (a)事前選択されたチャンネルを用いて全患者について一人の学生が学ぶ場合 b) Gumbelsoftmaxアプローチを用いて個別のチャンネル選択を行い,各患者に対して個別の学習を行う場合。テンプル大学病院脳波データコーパス(TUSZ)を用いた実験では,脳波の少ない患者において,知識蒸留とパーソナライゼーションの両方が発作検出の性能向上に重要な役割を果たすことが示された。我々は,2つのチャネルを数えることで,競争性のある発作検出性能が得られることを確認した。これは、記録が少なくても、発作を個別に監視するウェアラブルデバイスの、より現実的なシナリオにおける私たちのアプローチの可能性を示している。

関連論文リスト

Unlocking Telemetry Potential: Self-Supervised Learning for Continuous Clinical Electrocardiogram Monitoring [0.0]
本稿では,未標識心電図(ECG)テレメトリー信号の多量化にディープラーニングを適用した。我々は,約147,000時間の心電図テレメトリデータに基づいて,深層ネットワークのスペクトルを事前学習するために,自己教師学習を適用した。
論文参考訳（メタデータ） (2024-06-07T18:00:00Z)
Unsupervised Multivariate Time-Series Transformers for Seizure Identification on EEG [9.338549413542948]
てんかん発作は通常、脳波記録(EEG)によって観察される。生脳波による発作同定のための教師なしトランスフォーマーモデルを提案する。我々は、教師なし損失関数を介してトランスフォーマーエンコーダを含むオートエンコーダを訓練し、新しいマスキング戦略を取り入れた。
論文参考訳（メタデータ） (2023-01-03T15:57:13Z)
MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
論文参考訳（メタデータ） (2022-11-09T01:07:20Z)
Self-Supervised Learning for Anomalous Channel Detection in EEG Graphs: Application to Seizure Analysis [4.1372815372396525]
本稿では、発作データへのアクセスが不要な自己教師付き方法で発作チャンネルやクリップを検出することを提案する。提案手法は,脳波グラフに埋め込まれた局所構造情報と文脈情報を,正と負のサブグラフを用いて検討する。我々は,脳波による発作研究において,最も大きな発作データセットに関する広範な実験を行い,提案手法が最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2022-08-15T21:56:30Z)
Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文参考訳（メタデータ） (2022-07-04T13:15:08Z)
When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
論文参考訳（メタデータ） (2022-03-24T02:09:41Z)
Automated Detection of Patients in Hospital Video Recordings [1.759613153663764]
臨床環境では、てんかん患者は、ビデオ脳波検査(EEG)によって監視される。現在、発作時に患者の位置を追跡するための自動的な方法が存在しない。我々は,イメージネットで事前学習したMask R-CNN(オブジェクト検出のための標準ディープラーニングモデル)を,患者検出のタスクに基づいて評価した。
論文参考訳（メタデータ） (2021-11-28T23:15:06Z)
SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文参考訳（メタデータ） (2021-10-01T23:01:20Z)
Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。この現象は脳波(EEG)などの臨床関連データに特に問題となる。ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文参考訳（メタデータ） (2020-07-31T14:34:47Z)
Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。