論文の概要: BIOT: Cross-data Biosignal Learning in the Wild
- arxiv url: http://arxiv.org/abs/2305.10351v1
- Date: Wed, 10 May 2023 19:26:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-21 10:45:48.461127
- Title: BIOT: Cross-data Biosignal Learning in the Wild
- Title(参考訳): BIOT: 野生でのクロスデータバイオシグナル学習
- Authors: Chaoqi Yang, M. Brandon Westover, Jimeng Sun
- Abstract要約: バイオシグナーの現在のディープラーニングモデルは、通常、特定のデータセットと臨床設定に特化している。
メソッドモデルは汎用的で、異なるデータセットにわたる様々な生体信号学習設定に適用できる。
- 参考スコア(独自算出の注目度): 36.22753628246332
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biological signals, such as electroencephalograms (EEG), play a crucial role
in numerous clinical applications, exhibiting diverse data formats and quality
profiles. Current deep learning models for biosignals are typically specialized
for specific datasets and clinical settings, limiting their broader
applicability. Motivated by the success of large language models in text
processing, we explore the development of foundational models that are trained
from multiple data sources and can be fine-tuned on different downstream
biosignal tasks.
To overcome the unique challenges associated with biosignals of various
formats, such as mismatched channels, variable sample lengths, and prevalent
missing values, we propose a Biosignal Transformer (\method). The proposed
\method model can enable cross-data learning with mismatched channels, variable
lengths, and missing values by tokenizing diverse biosignals into unified
"biosignal sentences". Specifically, we tokenize each channel into fixed-length
segments containing local signal features, flattening them to form consistent
"sentences". Channel embeddings and {\em relative} position embeddings are
added to preserve spatio-temporal features.
The \method model is versatile and applicable to various biosignal learning
settings across different datasets, including joint pre-training for larger
models. Comprehensive evaluations on EEG, electrocardiogram (ECG), and human
activity sensory signals demonstrate that \method outperforms robust baselines
in common settings and facilitates learning across multiple datasets with
different formats. Use CHB-MIT seizure detection task as an example, our
vanilla \method model shows 3\% improvement over baselines in balanced
accuracy, and the pre-trained \method models (optimized from other data
sources) can further bring up to 4\% improvements.
- Abstract(参考訳): 脳波(EEG)などの生体信号は多くの臨床応用において重要な役割を担い、多様なデータフォーマットと品質プロファイルを示す。
現在の生体信号のためのディープラーニングモデルは、特定のデータセットや臨床設定に特化しており、適用範囲が限られている。
テキスト処理における大規模言語モデルの成功に動機づけられ、複数のデータソースからトレーニングされ、異なる下流のバイオシグナリングタスクで微調整可能な基礎モデルの開発を探求する。
ミスマッチチャネル,可変サンプル長,一般的な欠落値など,様々な形式の生体信号に関するユニークな課題を克服するために,生体信号トランスフォーマ(\method)を提案する。
提案した<method>モデルは,多様な生体記号を統一された「生体記号文」にトークン化することにより,ミスマッチチャネル,可変長,欠落値を用いたクロスデータ学習を可能にする。
具体的には,各チャネルを局所的な信号特徴を含む固定長セグメントにトークン化し,一貫した「文」を形成する。
時空間的特徴を保存するためにチャネル埋め込みと位置埋め込みが追加される。
\methodモデルは汎用的で、より大きなモデルのための共同事前トレーニングを含む、さまざまなデータセットにわたる様々な生体信号学習設定に適用できる。
脳波、心電図(ECG)、人間の活動感覚信号に関する総合的な評価は、Shamethodが共通の設定で堅牢なベースラインを上回り、異なるフォーマットで複数のデータセットをまたがる学習を容易にすることを示す。
chb-mitの入力検出タスクを例にとると、バニラの\methodモデルでは、ベースラインに対してバランスのとれた精度で3\%の改善を示し、事前トレーニングされた \methodモデル(他のデータソースから最適化された)により、さらに4\%の改善が得られます。
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - A deep learning pipeline for cross-sectional and longitudinal multiview
data integration [7.424942475653412]
複数のソースからの断面データと縦データを統合するパイプラインを開発した。
線形および非線形手法を用いた変数選択/ランク付け、機能主成分分析とオイラー特性を用いた特徴抽出、高密度フィードフォワードネットワークと繰り返しニューラルネットワークを用いた結合積分と分類を含む。
炎症性腸疾患 (IBD) 研究から, このパイプラインを横断的および縦断的マルチオミクスデータ(メタゲノミクス, トランスクリプトミクス, メタボロミクス)に応用し, IBDの状態を識別する微生物経路, 代謝産物, 遺伝子を同定した。
論文 参考訳(メタデータ) (2023-12-02T22:24:35Z) - Joint Alignment of Multivariate Quasi-Periodic Functional Data Using
Deep Learning [0.0]
深層ニューラルネットワークを用いた多変量準周期関数の結合アライメント法を提案する。
提案するニューラルネットワークは,単位単純度変換に基づく出力の特別な活性化を利用する。
本手法は,12個の心電図記録から得られた2つのシミュレーションデータセットと1つの実例を用いて実証した。
論文 参考訳(メタデータ) (2023-11-14T10:09:40Z) - Multi-view self-supervised learning for multivariate variable-channel
time series [1.094320514634939]
入力チャネルを個別に操作するための1つのエンコーダの学習を提案する。
次に、メッセージパッシングニューラルネットワークを使用して、チャネル間の単一の表現を抽出します。
TS2Vecの損失と組み合わせることで、ほとんどの設定で他のメソッドよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-07-13T19:03:06Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Learning Signal-Agnostic Manifolds of Neural Fields [50.066449953522685]
ニューラルネットワークを利用して、画像、形状、オーディオ、およびモーダル・オーディオヴィジュアル領域の基盤となる構造を捉える。
GEMの基底多様体を横切ることで、信号領域に新しいサンプルを生成できることが示される。
論文 参考訳(メタデータ) (2021-11-11T18:57:40Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳(メタデータ) (2021-03-18T11:01:21Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z)
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。