論文の概要: HyPer-EP: Meta-Learning Hybrid Personalized Models for Cardiac Electrophysiology

• arxiv url: http://arxiv.org/abs/2403.15433v1
• Date: Fri, 15 Mar 2024 02:30:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-01 02:54:20.861227
• Title: HyPer-EP: Meta-Learning Hybrid Personalized Models for Cardiac Electrophysiology
• Title（参考訳）: HyPer-EP:心臓電気生理学のためのメタラーニングハイブリッドパーソナライズドモデル
• Authors: Xiajun Jiang, Sumeet Vadhavkar, Yubo Ye, Maryam Toloubidokhti, Ryan Missel, Linwei Wang,
• Abstract要約: 本稿では,個人化された心臓デジタル双生児を記述するための新しいハイブリッド・モデリング・フレームワークを提案する。 そこで我々は,物理系と神経系の両方のコンポーネントを識別するための新しいメタラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.230055455268642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized virtual heart models have demonstrated increasing potential for clinical use, although the estimation of their parameters given patient-specific data remain a challenge. Traditional physics-based modeling approaches are computationally costly and often neglect the inherent structural errors in these models due to model simplifications and assumptions. Modern deep learning approaches, on the other hand, rely heavily on data supervision and lacks interpretability. In this paper, we present a novel hybrid modeling framework to describe a personalized cardiac digital twin as a combination of a physics-based known expression augmented by neural network modeling of its unknown gap to reality. We then present a novel meta-learning framework to enable the separate identification of both the physics-based and neural components in the hybrid model. We demonstrate the feasibility and generality of this hybrid modeling framework with two examples of instantiations and their proof-of-concept in synthetic experiments.
• Abstract（参考訳）: パーソナライズされた仮想心臓モデルでは臨床応用の可能性が高まっているが、患者固有のデータからそれらのパラメータを推定することは依然として困難である。 従来の物理学に基づくモデリングアプローチは計算コストが高く、モデル単純化と仮定のためにこれらのモデルに固有の構造的誤りを無視することが多い。 一方、現代のディープラーニングアプローチはデータの監視に大きく依存しており、解釈可能性に欠けています。 本稿では,ニューラル・ネットワーク・モデリングによる,その未知の現実とのギャップを表現した物理に基づく既知の表現の組み合わせとして,パーソナライズされた心臓デジタル双生児を記述するための,新しいハイブリッド・モデリング・フレームワークを提案する。 そこで我々は,ハイブリッドモデルにおける物理ベースとニューラルコンポーネントの区別を可能にする,新しいメタラーニングフレームワークを提案する。 本稿では, このハイブリッド・モデリング・フレームワークの実現可能性と汎用性を, 合成実験におけるインスタンス化と概念実証の2つの例で示す。

関連論文リスト

• Physically recurrent neural network for rate and path-dependent heterogeneous materials in a finite strain framework [0.0]
  不均一物質のマイクロスケール解析のためのハイブリッド物理に基づくデータ駆動サロゲートモデルについて検討した。 提案したモデルは、ニューラルネットワークにそれらを埋め込むことで、フルオーダーのマイクロモデルで使用されるモデルに含まれる物理に基づく知識の恩恵を受ける。
  論文  参考訳（メタデータ） (2024-04-05T12:40:03Z)
• Emerging Patterns in the Continuum Representation of Protein-Lipid Fingerprints [12.219106300827798]
  分子動力学モデルから1次元統計を用いた連続体モデルの性能評価を行った。 本研究では,連続体モデルから複雑かつ創発的な振る舞いを識別する高度予測型分類モデルを開発する。 提案手法は,タンパク質特異的な「脂質指紋」の存在,すなわち関心のあるタンパク質に対する脂質の空間的再構成の存在を確認する。
  論文  参考訳（メタデータ） (2022-07-09T20:07:49Z)
• Learning Physics between Digital Twins with Low-Fidelity Models and Physics-Informed Gaussian Processes [0.0]
  デジタル双生児間の学習のためのベイズ的手法を,個々の物理的パラメータが興味のある環境で導入する。 モデル差分項は、各パーソナライズされたモデルのモデル定式化に組み込まれ、低忠実度モデルの欠落物理を考慮に入れている。 ケーススタディでは、1)不完全な物理モデルに言及しないモデルは偏りがあり、過信である、2)不完全な物理モデルに言及するモデルはより不確実であるが、真実をカバーしている、3)デジタル双生児間の学習モデルは、対応する独立した個別モデルよりも不確実性が少ないが、過信ではないことが示されている。
  論文  参考訳（メタデータ） (2022-06-16T14:18:45Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Integrating Physics-Based Modeling with Machine Learning for Lithium-Ion Batteries [4.946066838162504]
  本稿では,LiBの高精度モデリングを実現するために,物理モデルと機械学習を統合する2つの新しいフレームワークを提案する。 これらのフレームワークは、物理モデルの状態情報の機械学習モデルに通知することで特徴付けられる。 この研究はさらに、老化を意識したハイブリッドモデリングの実施へと拡張され、予測を行うために健康状態に意識したハイブリッドモデルの設計につながった。
  論文  参考訳（メタデータ） (2021-12-24T07:39:02Z)
• Hybrid modeling of the human cardiovascular system using NeuralFMUs [0.0]
  ハイブリッドなモデリングプロセスは、より快適で、システム知識を必要とせず、第一原理に基づくモデリングに比べてエラーの少ないことが示される。 結果として得られたハイブリッドモデルは、純粋な第一原理のホワイトボックスモデルに比べて計算性能が向上した。 考慮されたユースケースは、医療領域内外における他のモデリングおよびシミュレーションアプリケーションの例として機能する。
  論文  参考訳（メタデータ） (2021-09-10T13:48:43Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。