論文の概要: EENED: End-to-End Neural Epilepsy Detection based on Convolutional Transformer

• arxiv url: http://arxiv.org/abs/2305.10502v1
• Date: Wed, 17 May 2023 18:16:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 18:28:48.281860
• Title: EENED: End-to-End Neural Epilepsy Detection based on Convolutional Transformer
• Title（参考訳）: EENED:畳み込み変換器を用いた終端神経てんかん検出
• Authors: Chenyu Liu, Xinliang Zhou and Yang Liu
• Abstract要約: トランスフォーマーと畳み込みニューラルネットワーク(CNN)ベースのモデルは、脳波信号処理において有望な結果を示している。 本稿では,CNNとTransformerを組み合わせたエンドツーエンドの神経てんかん検出モデルであるEENEDを提案する。
• 参考スコア（独自算出の注目度）: 5.3028918247347585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently Transformer and Convolution neural network (CNN) based models have shown promising results in EEG signal processing. Transformer models can capture the global dependencies in EEG signals through a self-attention mechanism, while CNN models can capture local features such as sawtooth waves. In this work, we propose an end-to-end neural epilepsy detection model, EENED, that combines CNN and Transformer. Specifically, by introducing the convolution module into the Transformer encoder, EENED can learn the time-dependent relationship of the patient's EEG signal features and notice local EEG abnormal mutations closely related to epilepsy, such as the appearance of spikes and the sprinkling of sharp and slow waves. Our proposed framework combines the ability of Transformer and CNN to capture different scale features of EEG signals and holds promise for improving the accuracy and reliability of epilepsy detection. Our source code will be released soon on GitHub.
• Abstract（参考訳）: 最近のtransformer and convolution neural network (cnn)ベースのモデルは脳波信号処理において有望な結果を示している。 トランスフォーマーモデルは自己アテンション機構を通じてEEG信号のグローバルな依存関係をキャプチャし、CNNモデルはソートゥースウェーブのようなローカルな特徴をキャプチャすることができる。 本研究では,CNNとTransformerを組み合わせたエンドツーエンドの神経てんかん検出モデルであるEENEDを提案する。 具体的には、Transformerエンコーダに畳み込みモジュールを導入することで、EENEDは患者の脳波信号の特徴の時間依存性の関係を学習し、スパイクの出現や鋭く遅い波の発散など、てんかんと密接に関連する局所脳波異常変異に気づく。 提案フレームワークは,脳波信号の異なる規模の特徴を捉えるためのTransformerとCNNの機能を組み合わせて,てんかん検出の精度と信頼性の向上を約束する。 ソースコードは近いうちにGitHubで公開される予定です。

関連論文リスト

• Synchronized Stepwise Control of Firing and Learning Thresholds in a Spiking Randomly Connected Neural Network toward Hardware Implementation [0.0]
  固有可塑性(IP)とシナプス可塑性(SP)のハードウェア指向モデルを提案する。 心電図を用いたスパイキングRNNによる時間的データ学習と異常検出のシミュレーションにより,本モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-04-26T08:26:10Z)
• EEG-Deformer: A Dense Convolutional Transformer for Brain-computer Interfaces [17.524441950422627]
  本稿では,CNN-Transformerに2つの新しいコンポーネントを組み込んだEEG-Deformerを紹介する。 EEG-Deformerは神経生理学的に意味のある脳領域から学習し、対応する認知タスクを学習する。
  論文  参考訳（メタデータ） (2024-04-25T18:00:46Z)
• Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
  集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。 Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。 提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
  論文  参考訳（メタデータ） (2022-07-21T22:17:21Z)
• Transformer based Generative Adversarial Network for Liver Segmentation [4.317557160310758]
  本稿では,Transformer(s) とGenerative Adversarial Network (GAN) を組み合わせたハイブリッドアプローチを用いた新しいセグメンテーション手法を提案する。 我々のモデルは高いダイス係数0.9433、リコール0.9515、精度0.9376、その他のトランスフォーマーベースアプローチより優れていた。
  論文  参考訳（メタデータ） (2022-05-21T19:55:43Z)
• Grasp-and-Lift Detection from EEG Signal Using Convolutional Neural Network [1.869097450593631]
  本稿では,32チャネル脳波信号から手動動作ビズGALを検出する手法を自動化した。 提案したパイプラインは、基本的には前処理とエンドツーエンド検出ステップを組み合わせたもので、手作りの機能エンジニアリングの必要性を排除している。
  論文  参考訳（メタデータ） (2022-02-12T19:27:06Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• The Nuts and Bolts of Adopting Transformer in GANs [124.30856952272913]
  高忠実度画像合成のためのGAN(Generative Adversarial Network)フレームワークにおけるTransformerの特性について検討する。 我々の研究は、STrans-Gと呼ばれる畳み込みニューラルネットワーク(CNN)フリージェネレータであるGANにおけるトランスフォーマーの新しい代替設計につながる。
  論文  参考訳（メタデータ） (2021-10-25T17:01:29Z)
• EEG-GNN: Graph Neural Networks for Classification of Electroencephalogram (EEG) Signals [20.991468018187362]
  畳み込みニューラルネットワーク(CNN)は脳波(EEG)から主観的不変の特徴を抽出するために頻繁に用いられる。 電極部位の機能的ネットワークに対する2次元グリッド型入力に適用される畳み込みとプーリングの概念を調整することにより、この制限を克服する。 我々は,グラフのノードに電極を投影する様々なグラフニューラルネットワーク(GNN)モデルを開発し,ノードの特徴を試行錯誤時に収集したEEGチャネルのサンプルとして表現し,ノードを重み付き/非重み付きエッジで接続する。
  論文  参考訳（メタデータ） (2021-06-16T21:19:12Z)
• Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation [63.46694853953092]
  Swin-Unetは、医用画像セグメンテーション用のUnetライクなトランスフォーマーである。 トークン化されたイメージパッチは、TransformerベースのU字型デコーダデコーダアーキテクチャに供給される。
  論文  参考訳（メタデータ） (2021-05-12T09:30:26Z)
• Spatiotemporal Transformer for Video-based Person Re-identification [102.58619642363958]
  我々は、強い学習能力にもかかわらず、バニラトランスフォーマーは過剰フィットのリスクの増加に苦しむことを示しています。 そこで本研究では,合成ビデオデータからモデルを事前学習し,下流領域に伝達する新しいパイプラインを提案する。 提案アルゴリズムは,3つの人気ビデオベース人物識別ベンチマークにおいて,精度向上を実現する。
  論文  参考訳（メタデータ） (2021-03-30T16:19:27Z)
• Transformers Solve the Limited Receptive Field for Monocular Depth Prediction [82.90445525977904]
  畳み込みニューラルネットワークとトランスの両方の恩恵を受けるアーキテクチャであるTransDepthを提案します。 連続ラベルを含む画素単位での予測問題にトランスフォーマーを適用する最初の論文である。
  論文  参考訳（メタデータ） (2021-03-22T18:00:13Z)

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。