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

• Nested Deep Learning Model Towards A Foundation Model for Brain Signal Data [12.98830356097411]
  本稿では,現在の手法の限界を克服するための新しいNested Deep Learning(NDL)フレームワークを提案する。 NDLは全てのチャネルに重み付けされた信号の組み合わせを適用し、異なるチャネル設定への適応性を確保する。 その結果,NDLは予測精度を向上し,モダリティ間のデータ統合をサポートし,様々な神経生理学的応用のために微調整できることがわかった。
  論文  参考訳（メタデータ） (2024-10-04T07:06:02Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• 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)

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。