論文の概要: Uncertainty Quantification in Machine Learning for Biosignal Applications -- A Review
- arxiv url: http://arxiv.org/abs/2312.09454v2
- Date: Wed, 04 Jun 2025 18:47:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-06 21:53:49.112003
- Title: Uncertainty Quantification in Machine Learning for Biosignal Applications -- A Review
- Title（参考訳）: 生体信号応用のための機械学習における不確かさの定量化 -- レビュー
- Authors: Ivo Pascal de Jong, Andreea Ioana Sburlea, Matias Valdenegro-Toro,
- Abstract要約: 不確実性定量化(UQ)は、機械学習予測の解釈可能性と堅牢性を改善するために、注目を集めている。
このアプリケーション領域に現在存在する様々な方法、欠点、不確実性対策、理論的枠組みについて述べる。
全体として、有望なUQ手法が利用可能であると結論付けることができるが、人やシステムが(クリニカルな)環境において不確実性モデルとどのように相互作用するかの研究が必要である。
- 参考スコア（独自算出の注目度）: 6.144680854063938
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncertainty Quantification (UQ) has gained traction in an attempt to improve the interpretability and robustness of machine learning predictions. Specifically (medical) biosignals such as electroencephalography (EEG), electrocardiography (ECG), electrooculography (EOG), and electromyography (EMG) could benefit from good UQ, since these suffer from a poor signal-to-noise ratio, and good human interpretability is pivotal for medical applications. In this paper, we review the state of the art of applying Uncertainty Quantification to Machine Learning tasks in the biosignal domain. We present various methods, shortcomings, uncertainty measures and theoretical frameworks that currently exist in this application domain. We address misconceptions in the field, provide recommendations for future work, and discuss gaps in the literature in relation to diagnostic implementations as well as control for prostheses or brain-computer interfaces. Overall it can be concluded that promising UQ methods are available, but that research is needed on how people and systems may interact with an uncertainty-model in a (clinical) environment
- Abstract（参考訳）: 不確実性定量化(UQ)は、機械学習予測の解釈可能性と堅牢性を改善するために、注目を集めている。
特に、心電図(EEG)、心電図(ECG)、心電図(EOG)、心電図(EMG)などの医学的(医学的)生体信号は、信号と雑音の比率が低いため、良好なUQの恩恵を受け得る。
本稿では,生体信号領域における機械学習タスクに対する不確実性定量化の適用技術について概説する。
このアプリケーション領域に現在存在する様々な方法、欠点、不確実性対策、理論的枠組みについて述べる。
我々は、現場における誤解に対処し、今後の研究を推奨し、診断の実装や補綴物や脳-コンピュータインタフェースの制御に関する文献のギャップを議論する。
全体として、有望なUQ手法が利用可能であると結論付けることができるが、人間やシステムが(クリニカルな)環境において不確実性モデルとどのように相互作用するかの研究が必要である。
関連論文リスト
- Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
本研究は,AI支援医療診断における信頼性の重要課題について論じる。
本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。
我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
論文 参考訳（メタデータ） (2025-02-25T10:15:21Z) - Hybrid Quantum Deep Learning Model for Emotion Detection using raw EEG Signal Analysis [0.0]
本研究は、感情認識のためのハイブリッド量子深層学習技術を提案する。
従来の脳波に基づく感情認識技術はノイズと高次元データ複雑さによって制限される。
このモデルは、リアルタイムアプリケーションと将来の研究におけるマルチクラス分類のために拡張される予定である。
論文 参考訳（メタデータ） (2024-11-19T17:44:04Z) - A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。
本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。
我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
論文 参考訳（メタデータ） (2024-02-16T18:05:09Z) - Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - A Convolutional Spiking Network for Gesture Recognition in
Brain-Computer Interfaces [0.8122270502556371]
脳信号に基づく手振り分類の例題問題に対して,簡単な機械学習に基づくアプローチを提案する。
本手法は脳波データとECoGデータの両方で異なる対象に一般化し,92.74-97.07%の範囲で精度が向上することを示した。
論文 参考訳（メタデータ） (2023-04-21T16:23:40Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。
アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。
マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文 参考訳（メタデータ） (2022-07-21T09:35:38Z) - A Plant Root System Algorithm Based on Swarm Intelligence for
One-dimensional Biomedical Signal Feature Engineering [1.52292571922932]
本研究では,グループインテリジェンスに基づく特徴抽出アルゴリズムを提案し,これをPlant Root System (PRS)アルゴリズムと呼ぶ。
提案アルゴリズムを用いて臨床診断により多くの生体信号を適用することが可能であることが期待されている。
論文 参考訳（メタデータ） (2021-07-31T11:00:32Z) - Automatic detection of abnormal EEG signals using wavelet feature
extraction and gradient boosting decision tree [2.924868086534434]
多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。
本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。
CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
論文 参考訳（メタデータ） (2020-12-18T03:36:52Z) - A Review of Uncertainty Quantification in Deep Learning: Techniques,
Applications and Challenges [76.20963684020145]
不確実性定量化(UQ)は、最適化と意思決定プロセスの両方において不確実性の低減に重要な役割を果たしている。
ビザレ近似とアンサンブル学習技術は、文学において最も広く使われている2つのUQ手法である。
本研究は, 深層学習におけるUQ手法の最近の進歩を概観し, 強化学習におけるこれらの手法の適用について検討する。
論文 参考訳（メタデータ） (2020-11-12T06:41:05Z) - Representation learning for improved interpretability and classification
accuracy of clinical factors from EEG [7.323779456638996]
脳波に基づく神経測定は、うつ病の信頼できる客観的相関、あるいはうつ病の予測因子として機能する。
これまでの研究では、脳波に基づく神経計測がうつ病の信頼できる客観的相関、あるいはうつ病の予測因子として機能することを示した。
しかし,その臨床的有用性は,1)脳波データに関連する固有ノイズに対処する自動化方法の欠如,2)脳波信号のどの側面が臨床疾患のマーカーであるかの知識の欠如など,完全には実現されていない。
論文 参考訳（メタデータ） (2020-10-28T23:21:36Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z) - Machine-Learning-Based Diagnostics of EEG Pathology [29.98686945159869]
機能ベースのEEG分析フレームワークを開発し、最先端のエンドツーエンド手法と比較する。
両アプローチの精度は81～86%という驚くほど狭い範囲にある。
臨床ラベルの不完全一致により,現在の2連系脳波デコーダの精度は90%近く飽和する可能性が示唆された。
論文 参考訳（メタデータ） (2020-02-11T17:12:24Z)
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。