論文の概要: Optimizing Uterine Synchronization Analysis in Pregnancy and Labor through Window Selection and Node Optimization

• arxiv url: http://arxiv.org/abs/2402.14827v1
• Date: Sat, 10 Feb 2024 17:59:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-03 19:36:05.195474
• Title: Optimizing Uterine Synchronization Analysis in Pregnancy and Labor through Window Selection and Node Optimization
• Title（参考訳）: ウィンドウ選択とノード最適化による妊娠と労働の子宮同期解析の最適化
• Authors: Kamil Bader El Dine, Noujoud Nader, Mohamad Khalil and Catherine Marque
• Abstract要約: 本報告では, 妊婦の腹部に記録されるEHGシグナルを解析し, 新たなアプローチを提案する。 EHGは非定常的な信号であることが知られているので、実際の信号にウィンドウリングアプローチを適用して、最良のウィンドウを特定するのに役立てる。 いくつかのニューラルネットワークと機械学習手法が、妊娠と労働の収縮を分類するために最適なウィンドウと最適なノードに適用されている。
• 参考スコア（独自算出の注目度）: 0.5154704494242526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Preterm labor (PL) has globally become the leading cause of death in children under the age of 5 years. To address this problem, this paper will provide a new approach by analyzing the EHG signals, which are recorded on the abdomen of the mother during labor and pregnancy. The EHG signal reflects the electrical activity that induces the mechanical contraction of the myometrium. Because EHGs are known to be non-stationary signals, and because we anticipate connectivity to alter during contraction, we applied the windowing approach on real signals to help us identify the best windows and the best nodes with the most significant data to be used for classification. The suggested pipeline includes i) divide the 16 EHG signals that are recorded from the abdomen of pregnant women in N windows; ii) apply the connectivity matrices on each window; iii) apply the Graph theory-based measures on the connectivity matrices on each window; iv) apply the consensus Matrix on each window in order to retrieve the best windows and the best nodes. Following that, several neural network and machine learning methods are applied to the best windows and best nodes to categorize pregnancy and labor contractions, based on the different input parameters (connectivity method alone, connectivity method plus graph parameters, best nodes, all nodes, best windows, all windows). Results showed that the best nodes are nodes 8, 9, 10, 11, and 12; while the best windows are 2, 4, and 5. The classification results obtained by using only these best nodes are better than when using the whole nodes. The results are always better when using the full burst, whatever the chosen nodes. Thus, the windowing approach proved to be an innovative technique that can improve the differentiation between labor and pregnancy EHG signals.
• Abstract（参考訳）: 妊娠前労働(pl)は5歳未満の子供の死因として世界中で主要なものとなっている。 そこで本研究では,母親の腹部に記録されたEHG信号を,労働・妊娠中に分析し,新しいアプローチを提案する。 EHGシグナルは、子宮筋の機械的収縮を引き起こす電気活性を反映する。 EHGは非定常的な信号であることが知られており、契約中の接続変更を期待するので、実際の信号にウィンドウ化アプローチを適用して、分類に最も重要なデータを持つ最良のウィンドウと最適なノードを特定するのに役立てる。 提案するパイプラインには 一 妊婦の腹部から記録した16個のEHG信号をN窓に分割すること。 二 各窓に接続行列を適用すること。 三 各窓の連結行列に関するグラフ理論に基づく測度を適用すること。 iv) 最良ウィンドウと最良ノードを取得するために、各ウィンドウのコンセンサスマトリックスを適用すること。 その後、さまざまな入力パラメータ(接続方法のみ、接続方法、グラフパラメータ、最良ノード、全ノード、最良ウィンドウ、全ウィンドウ)に基づいて、妊娠と労働の収縮を分類するために、ベストウィンドウとベストノードにいくつかのニューラルネットワークと機械学習手法が適用される。 その結果,最良ノードはノード8,9,10,11,12であり,最良ウィンドウは2,4,5であることがわかった。 これらの最良ノードのみを用いて得られる分類結果は、全ノードを使用する場合よりも優れている。 選択したノードが何であれ、フルバーストを使用する場合、結果は常に良好です。 このように、ウィンドウリングアプローチは、労働と妊娠のEHG信号の区別を改善する革新的な手法であることが判明した。

関連論文リスト

• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• Binary Classifier Optimization for Large Language Model Alignment [4.61411484523337]
  本稿では,バイナリ信号によるアライメントの成功を説明する理論的基礎について述べる。 報酬シフトと基礎となる分布マッチングという,効果的なアライメントのための2つの手法を同定する。 我々のモデルは、2つの基本LLMと3つの異なるバイナリ信号データセット間で有効でロバストなアライメントを一貫して示す。
  論文  参考訳（メタデータ） (2024-04-06T15:20:59Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• How Expressive are Graph Neural Networks in Recommendation? [17.31401354442106]
  グラフニューラルネットワーク(GNN)は、レコメンデーションを含むさまざまなグラフ学習タスクにおいて、優れたパフォーマンスを示している。 近年、GNNの表現性を調査し、メッセージパッシングGNNがWeisfeiler-Lehmanテストと同じくらい強力であることを実証している。 本稿では,GNNがノード間の構造的距離を捉える能力を評価するために,位相的近接度尺度を提案する。
  論文  参考訳（メタデータ） (2023-08-22T02:17:34Z)
• A Simple and Scalable Graph Neural Network for Large Directed Graphs [11.792826520370774]
  入力グラフ内のノード表現とエッジ方向認識の様々な組み合わせについて検討する。 そこで本研究では,A2DUGを簡易かつ包括的に分類する手法を提案する。 我々は、A2DUGが様々なデータセットで安定して動作し、最先端の手法と比較して11.29まで精度が向上することを示した。
  論文  参考訳（メタデータ） (2023-06-14T06:24:58Z)
• Anti-Symmetric DGN: a stable architecture for Deep Graph Networks [12.71306369339218]
  安定かつ非散逸的なDGN設計のためのフレームワークであるアンチサイメトリディープグラフネットワーク(A-DGN)を提案する。 A-DGNは性能向上に寄与し、数十のレイヤが使用されている場合でも効果的に学習できる。
  論文  参考訳（メタデータ） (2022-10-18T12:04:55Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Node Representation Learning in Graph via Node-to-Neighbourhood Mutual Information Maximization [27.701736055800314]
  グラフにおける情報ノード表現の学習の鍵は、近隣からコンテキスト情報を得る方法にある。 本稿では,ノードの隠蔽表現と周辺領域の相互情報を直接的に最大化することで,自己教師付きノード表現学習戦略を提案する。 我々のフレームワークは、表現学習の質と効率を裏付ける正の選択が相反する比較的損失によって最適化されている。
  論文  参考訳（メタデータ） (2022-03-23T08:21:10Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。