論文の概要: Multi-Modal Machine Learning Framework for Automated Seizure Detection
in Laboratory Rats
- arxiv url: http://arxiv.org/abs/2402.00965v1
- Date: Thu, 1 Feb 2024 19:31:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 18:07:44.863080
- Title: Multi-Modal Machine Learning Framework for Automated Seizure Detection
in Laboratory Rats
- Title（参考訳）: 実験ラットにおける自動発作検出のためのマルチモーダル機械学習フレームワーク
- Authors: Aaron Mullen, Samuel E. Armstrong, Jasmine Perdeh, Bjorn Bauer,
Jeffrey Talbert, V.K. Cody Bumgardner
- Abstract要約: 発作に苦しむラットから複数の種類のデータを収集する実験が述べられている。
異なるモデルは、各タイプのデータに基づいてトレーニングされ、各タイムフレームを、発作を含むか否かのどちらかとして分類することを目的としている。
各モデルが分類予測を生成した後、これらの結果は組み合わせられる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A multi-modal machine learning system uses multiple unique data sources and
types to improve its performance. This article proposes a system that combines
results from several types of models, all of which are trained on different
data signals. As an example to illustrate the efficacy of the system, an
experiment is described in which multiple types of data are collected from rats
suffering from seizures. This data includes electrocorticography readings,
piezoelectric motion sensor data, and video recordings. Separate models are
trained on each type of data, with the goal of classifying each time frame as
either containing a seizure or not. After each model has generated its
classification predictions, these results are combined. While each data signal
works adequately on its own for prediction purposes, the significant imbalance
in class labels leads to increased numbers of false positives, which can be
filtered and removed by utilizing all data sources. This paper will demonstrate
that, after postprocessing and combination techniques, classification accuracy
is improved with this multi-modal system when compared to the performance of
each individual data source.
- Abstract（参考訳）: マルチモーダル機械学習システムは、パフォーマンスを改善するために複数のユニークなデータソースとタイプを使用する。
本稿では,複数のモデルから得られた結果を組み合わせて,異なるデータ信号に基づいて学習するシステムを提案する。
システムの有効性を説明する例として、発作に苦しむラットから複数の種類のデータを収集する実験が述べられている。
このデータには、電界計、圧電センサーデータ、ビデオ記録が含まれる。
それぞれのモデルはそれぞれのデータに基づいてトレーニングされ、各タイムフレームを発作を含むかそうでないかを分類する。
各モデルが分類予測を生成した後、これらの結果を組み合わせる。
各データ信号は、予測目的のために単独で十分に機能するが、クラスラベルの大幅な不均衡は、すべてのデータソースを利用してフィルタして削除できる偽陽性数の増加につながる。
本稿では,ポストプロセッシングと組み合わせ手法の後に,各データソースの性能と比較すると,このマルチモーダルシステムにより分類精度が向上することを示す。
関連論文リスト
- Stochastic Amortization: A Unified Approach to Accelerate Feature and Data Attribution [62.71425232332837]
雑音ラベル付きモデルを用いたトレーニングは安価で驚くほど効果的であることを示す。
このアプローチは、いくつかの特徴属性とデータ評価手法を著しく加速し、しばしば既存のアプローチよりも桁違いにスピードアップする。
論文 参考訳（メタデータ） (2024-01-29T03:42:37Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - Can neural networks count digit frequency? [16.04455549316468]
本研究では,従来の機械学習モデルとニューラルネットワークの性能を比較し,各桁の出現頻度を推定する。
ニューラルネットワークは6桁と10桁の両方のレグレッションと分類の指標で、従来の機械学習モデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2023-09-25T03:45:36Z) - Heterogeneous Anomaly Detection for Software Systems via Semi-supervised
Cross-modal Attention [29.654681594903114]
ヘテロジニアスデータに基づいてシステム異常を識別する,最初のエンドツーエンドの半教師付きアプローチであるHadesを提案する。
当社のアプローチでは,ログセマンティクスとメトリックパターンを融合させることで,システムステータスのグローバルな表現を学ぶために階層的アーキテクチャを採用している。
我々はHuawei Cloudの大規模シミュレーションデータとデータセットに基づいてHadesを広範囲に評価する。
論文 参考訳（メタデータ） (2023-02-14T09:02:11Z) - A Stream Learning Approach for Real-Time Identification of False Data
Injection Attacks in Cyber-Physical Power Systems [11.867912248195543]
提案フレームワークは,偽データインジェクション攻撃を動的に検出し,分類する。
取得した情報を用いて制御信号を検索する。
このフレームワークは、セントラル・ニューヨーク・パワー・システムから取得した実世界のデータに基づいて評価されている。
論文 参考訳（メタデータ） (2022-10-13T04:53:01Z) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳（メタデータ） (2022-07-27T09:26:15Z) - Ensemble of Convolution Neural Networks on Heterogeneous Signals for
Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。
最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文 参考訳（メタデータ） (2021-07-23T06:37:38Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - Learning from Incomplete Features by Simultaneous Training of Neural
Networks and Sparse Coding [24.3769047873156]
本稿では,不完全な特徴を持つデータセット上で分類器を訓練する問題に対処する。
私たちは、各データインスタンスで異なる機能のサブセット(ランダムまたは構造化)が利用できると仮定します。
新しい教師付き学習法が開発され、サンプルあたりの機能のサブセットのみを使用して、一般的な分類器を訓練する。
論文 参考訳（メタデータ） (2020-11-28T02:20:39Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Unsupervised Pre-trained Models from Healthy ADLs Improve Parkinson's
Disease Classification of Gait Patterns [3.5939555573102857]
パーキンソン病分類のための加速度計歩行データに関連する特徴を抽出する方法を示す。
我々の事前学習したソースモデルは畳み込みオートエンコーダで構成されており、ターゲット分類モデルは単純な多層パーセプトロンモデルである。
本研究は,Parkinson病分類の課題に対する事前学習モデルの選択が与える影響を,異なる活動群を用いて訓練した2つの異なるソースモデルについて検討する。
論文 参考訳（メタデータ） (2020-05-06T04:08:19Z)
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。