論文の概要: Window Stacking Meta-Models for Clinical EEG Classification

• arxiv url: http://arxiv.org/abs/2401.10283v1
• Date: Sun, 14 Jan 2024 17:45:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-28 16:22:18.630017
• Title: Window Stacking Meta-Models for Clinical EEG Classification
• Title（参考訳）: 臨床脳波分類のためのウィンドウ積み重ねメタモデル
• Authors: Yixuan Zhu, Rohan Kandasamy, Luke J. W. Canham, David Western
• Abstract要約: ウィンドウニングは、EEG機械学習の分類やその他の時系列タスクにおいて一般的なテクニックである。 タイムウインドウドデータ集約に適したメタラーニングの原則を取り入れたマルチステージモデルアーキテクチャを導入する。 テンプル大学病院異常脳波コーポレーション(TUAB)で試験を行ったところ、ベンチマークの精度は89.8%から99.0パーセントに劇的に向上した。
• 参考スコア（独自算出の注目度）: 2.441080237286239
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Windowing is a common technique in EEG machine learning classification and other time series tasks. However, a challenge arises when employing this technique: computational expense inhibits learning global relationships across an entire recording or set of recordings. Furthermore, the labels inherited by windows from their parent recordings may not accurately reflect the content of that window in isolation. To resolve these issues, we introduce a multi-stage model architecture, incorporating meta-learning principles tailored to time-windowed data aggregation. We further tested two distinct strategies to alleviate these issues: lengthening the window and utilizing overlapping to augment data. Our methods, when tested on the Temple University Hospital Abnormal EEG Corpus (TUAB), dramatically boosted the benchmark accuracy from 89.8 percent to 99.0 percent. This breakthrough performance surpasses prior performance projections for this dataset and paves the way for clinical applications of machine learning solutions to EEG interpretation challenges. On a broader and more varied dataset from the Temple University Hospital EEG Corpus (TUEG), we attained an accuracy of 86.7%, nearing the assumed performance ceiling set by variable inter-rater agreement on such datasets.
• Abstract（参考訳）: ウィンドウニングは、EEG機械学習の分類やその他の時系列タスクにおいて一般的なテクニックである。 しかし,この手法を用いると,計算コストが記録全体や記録セット全体のグローバルな関係の学習を阻害する。 さらに、親記録からウィンドウに受け継がれたラベルは、そのウィンドウの内容を正確に反映するものではない。 これらの問題を解決するために,時間ウインドウドデータ集約に適したメタラーニングの原則を取り入れた多段階モデルアーキテクチャを導入する。 さらに、これらの問題を緩和するための2つの異なる戦略をテストしました。 テンプル大学病院異常脳波コーポレーション(TUAB)で試験を行ったところ、ベンチマークの精度は89.8%から99.0パーセントに劇的に向上した。 このブレークスルー性能は、このデータセットの事前のパフォーマンス予測を超え、EEG解釈課題に対する機械学習ソリューションの臨床応用の道を開く。 テンプル大学病院脳波コーパス(tueg)のより広範で多種多様なデータセットを用いて86.7%の精度を得た。

関連論文リスト

• Artificial Data Point Generation in Clustered Latent Space for Small Medical Datasets [4.542616945567623]
  本稿では,クラスタ化潜在空間(AGCL)における人工データポイント生成手法を提案する。 AGCLは、合成データ生成により、小さな医療データセットの分類性能を向上させるように設計されている。 顔の表情データを利用してパーキンソン病検診に応用した。
  論文  参考訳（メタデータ） (2024-09-26T09:51:08Z)
• MixNet: Joining Force of Classical and Modern Approaches Toward the Comprehensive Pipeline in Motor Imagery EEG Classification [12.227138730377503]
  MixNetは、MIデータからのスペクトル空間信号を利用して制限を克服するために設計された新しい分類フレームワークである。 適応的な勾配ブレンディングを実装し、複数の損失重みを同時に調整し、その一般化/過度化傾向に基づいて各タスクの学習速度を調整する。 結果は、MixNetが主観的および非依存的な設定において、すべての最先端のアルゴリズムを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2024-09-06T08:14:58Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• One-for-All: Bridge the Gap Between Heterogeneous Architectures in Knowledge Distillation [69.65734716679925]
  知識蒸留は,教師が指導する学習手法を通じて,モデル性能を向上させる上で,極めて効果的な手法であることが証明されている。 既存の蒸留法のほとんどは、教師と生徒のモデルが同じモデルファミリーに属するという前提で設計されている。 我々は, ヘテロジニアスアーキテクチャ間の蒸留性能を大幅に向上させる, OFA-KDという, 単純で効果的な一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元
  論文  参考訳（メタデータ） (2023-10-30T11:13:02Z)
• Scope and Arbitration in Machine Learning Clinical EEG Classification [0.0]
  臨床脳波の解釈における重要な課題は、録音またはセッションを正常または異常として分類することである。 機械学習のアプローチでは、録音は実際的な理由で短いウィンドウに分割され、これらのウィンドウは親レコードのラベルを継承する。 本稿では,この問題を解決するための2つのアプローチを提案する。ウィンドウ長の増大と,記録内のウィンドウ固有の予測を仲裁する第2段階モデルの導入である。
  論文  参考訳（メタデータ） (2023-03-11T11:38:32Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• DAPPER: Label-Free Performance Estimation after Personalization for Heterogeneous Mobile Sensing [95.18236298557721]
  DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。 実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
  論文  参考訳（メタデータ） (2021-11-22T08:49:33Z)
• Neonatal seizure detection from raw multi-channel EEG using a fully convolutional architecture [1.8352113484137622]
  このアーキテクチャは、従来の機械学習ベースのソリューションで使われている最先端の手作業による特徴に基づく表現とは対照的に、生脳波(EEG)信号からの発作イベントを検出するように設計されている。 提案したアーキテクチャは、新生児脳波にディープラーニングを適用するための新たな道を開き、正確な臨床ラベルの入手に頼らずに、トレーニングデータの量の関数としての性能が向上する。
  論文  参考訳（メタデータ） (2021-05-28T14:08:36Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。