論文の概要: Early Warning Prediction with Automatic Labeling in Epilepsy Patients
- arxiv url: http://arxiv.org/abs/2310.06059v2
- Date: Thu, 11 Jan 2024 08:38:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 03:19:02.051790
- Title: Early Warning Prediction with Automatic Labeling in Epilepsy Patients
- Title(参考訳): てんかん患者における自動ラベリングによる早期警告予測
- Authors: Peng Zhang, Ting Gao, Jin Guo, Jinqiao Duan, Sergey Nikolenko
- Abstract要約: 本稿では,初期文字信号の予測を改善するメタ学習フレームワークを提案する。
提案された双方向最適化フレームワークは、初期段階におけるノイズの多いデータを自動的にラベル付けするのに役立つ。
- 参考スコア(独自算出の注目度): 4.6700203020828885
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early warning for epilepsy patients is crucial for their safety and
well-being, in particular to prevent or minimize the severity of seizures.
Through the patients' EEG data, we propose a meta learning framework to improve
the prediction of early ictal signals. The proposed bi-level optimization
framework can help automatically label noisy data at the early ictal stage, as
well as optimize the training accuracy of the backbone model. To validate our
approach, we conduct a series of experiments to predict seizure onset in
various long-term windows, with LSTM and ResNet implemented as the baseline
models. Our study demonstrates that not only the ictal prediction accuracy
obtained by meta learning is significantly improved, but also the resulting
model captures some intrinsic patterns of the noisy data that a single backbone
model could not learn. As a result, the predicted probability generated by the
meta network serves as a highly effective early warning indicator.
- Abstract(参考訳): てんかん患者に対する早期の警告は、特に発作の重症度を予防または最小化するために、安全と幸福のために重要である。
患者の脳波データを通して,早期ictal信号の予測を改善するためのメタラーニングフレームワークを提案する。
提案するバイレベル最適化フレームワークは,初期段階におけるノイズデータの自動ラベル付けや,バックボーンモデルのトレーニング精度の最適化を支援する。
本手法の有効性を検証するため,LSTMとResNetをベースラインモデルとして,様々な長期ウィンドウにおける発作発生を予測する一連の実験を行った。
本研究は,メタ学習によって得られたictal予測精度が大幅に向上するだけでなく,単一バックボーンモデルでは学習できないノイズデータの特徴的パターンを捉えていることを示す。
その結果、メタネットワークが生成する予測確率は、非常に効果的な早期警戒指標となる。
関連論文リスト
- Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳(メタデータ) (2024-03-11T16:22:41Z) - Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳(メタデータ) (2023-10-24T11:34:15Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Path Signatures for Seizure Forecasting [0.6282171844772422]
患者固有の方法で発作を予測するための予測的特徴(バイオマーカー)の自動発見を検討する。
データストリームの解析における最近の進展であるパスシグネチャを用いて、測定時系列から発作予測までをマップする。
論文 参考訳(メタデータ) (2023-08-18T05:19:18Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - Bridging the Gap Between Patient-specific and Patient-independent
Seizure Prediction via Knowledge Distillation [7.2666838978096875]
既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。
患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。
提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
論文 参考訳(メタデータ) (2022-02-25T10:30:29Z) - An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。
総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
論文 参考訳(メタデータ) (2021-08-17T05:49:43Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-11-18T23:13:48Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z)
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。