論文の概要: Faces of Experimental Pain: Transferability of Deep Learned Heat Pain Features to Electrical Pain

• arxiv url: http://arxiv.org/abs/2406.11808v1
• Date: Mon, 17 Jun 2024 17:51:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 13:14:13.750093
• Title: Faces of Experimental Pain: Transferability of Deep Learned Heat Pain Features to Electrical Pain
• Title（参考訳）: 実験的痛の顔:深部学習熱痛の特徴の電気痛への伝達性
• Authors: Pooja Prajod, Dominik Schiller, Daksitha Withanage Don, Elisabeth André,
• Abstract要約: 本研究では,ある種類の実験的痛みに対する深層学習の特徴表現が他の痛みに伝達できるかどうかを検討する。 チャレンジデータセットには、電気的痛みの強度が異なる65人の参加者から収集されたデータが含まれている。 提案手法では,BioVidデータセットに基づいてトレーニングされた既存の熱痛畳み込みニューラルネットワーク(CNN)を特徴抽出器として活用する。
• 参考スコア（独自算出の注目度）: 7.205834345343974
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The limited size of pain datasets are a challenge in developing robust deep learning models for pain recognition. Transfer learning approaches are often employed in these scenarios. In this study, we investigate whether deep learned feature representation for one type of experimentally induced pain can be transferred to another. Participating in the AI4Pain challenge, our goal is to classify three levels of pain (No-Pain, Low-Pain, High-Pain). The challenge dataset contains data collected from 65 participants undergoing varying intensities of electrical pain. We utilize the video recording from the dataset to investigate the transferability of deep learned heat pain model to electrical pain. In our proposed approach, we leverage an existing heat pain convolutional neural network (CNN) - trained on BioVid dataset - as a feature extractor. The images from the challenge dataset are inputted to the pre-trained heat pain CNN to obtain feature vectors. These feature vectors are used to train two machine learning models: a simple feed-forward neural network and a long short-term memory (LSTM) network. Our approach was tested using the dataset's predefined training, validation, and testing splits. Our models outperformed the baseline of the challenge on both the validation and tests sets, highlighting the potential of models trained on other pain datasets for reliable feature extraction.
• Abstract（参考訳）: 痛みデータセットの限られたサイズは、痛み認識のための堅牢なディープラーニングモデルを開発する上での課題である。 これらのシナリオでは、トランスファーラーニングアプローチがよく用いられる。 本研究では,ある種類の実験的痛みに対する深層学習の特徴表現が他の痛みに伝達できるかどうかを検討する。 AI4Painチャレンジに参加することで、私たちのゴールは3つのレベルの痛み(No-Pain、Low-Pain、High-Pain)を分類することにあります。 チャレンジデータセットには、電気的痛みの強度の異なる65人の参加者から収集されたデータが含まれている。 本研究では, 深層学習熱痛モデルの電気的痛みへの伝達性を検討するために, データセットからの映像記録を利用する。 提案手法では,BioVidデータセットに基づいてトレーニングされた既存の熱痛畳み込みニューラルネットワーク(CNN)を特徴抽出器として活用する。 チャレンジデータセットの画像は、予めトレーニングされた熱痛CNNに入力され、特徴ベクトルを得る。 これらの特徴ベクトルは、単純なフィードフォワードニューラルネットワークと長い短期記憶(LSTM)ネットワークという、2つの機械学習モデルをトレーニングするために使用される。 当社のアプローチは、データセットの事前定義されたトレーニング、検証、テストの分割を使用してテストされました。 我々のモデルは、検証セットとテストセットの両方において、課題のベースラインを上回り、信頼性の高い特徴抽出のために、他の痛みデータセットでトレーニングされたモデルの可能性を強調しました。

関連論文リスト

• Neural decoding from stereotactic EEG: accounting for electrode variability across subjects [21.28778005847666]
  本稿では,SEEGデータを用いて被験者間の振る舞いを復号化するためのトレーニングフレームワークである seegnificant を紹介する。 本研究では,行動課題を遂行する21人の被験者の複合データに基づいて学習した多目的モデルを構築した。
  論文  参考訳（メタデータ） (2024-11-01T17:58:01Z)
• Pain Analysis using Adaptive Hierarchical Spatiotemporal Dynamic Imaging [16.146223377936035]
  本稿では,適応時間動画像(Adaptive temporal Dynamic Image, AHDI)技術を紹介する。 AHDIは、顔ビデオの深い変化を特異なRGB画像にエンコードし、ビデオ表現のためのより単純な2Dモデルを実現する。 この枠組み内では、一般化された顔表現を導出するために残差ネットワークを用いる。 これらの表現は、痛みの強さを推定し、本物の痛み表現とシミュレートされた痛み表現を区別する2つのタスクに最適化される。
  論文  参考訳（メタデータ） (2023-12-12T01:23:05Z)
• Transformer Encoder with Multiscale Deep Learning for Pain Classification Using Physiological Signals [0.0]
  痛みは主観的な感覚駆動体験である。 痛みの強さを測定する伝統的な技術は偏見に影響を受けやすく、場合によっては信頼できない。 そこで我々は,生理的シグナルを入力として,痛み強度を分類する新しいトランスフォーマーエンコーダディープラーニングフレームワークPainAttnNetを開発した。
  論文  参考訳（メタデータ） (2023-03-13T04:21:33Z)
• Reconstructing Training Data from Model Gradient, Provably [68.21082086264555]
  ランダムに選択されたパラメータ値で1つの勾配クエリからトレーニングサンプルを再構成する。 センシティブなトレーニングデータを示す証明可能な攻撃として、われわれの発見はプライバシーに対する深刻な脅威を示唆している。
  論文  参考訳（メタデータ） (2022-12-07T15:32:22Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Human-Expert-Level Brain Tumor Detection Using Deep Learning with Data Distillation and Augmentation [6.78974856327994]
  深層学習の医学的診断への応用は、しばしば2つの問題によって妨げられる。 第一に、診断対象の患者数によって制限されるため、トレーニングデータの量が少ない場合がある。 第2に、トレーニングデータは様々な種類のノイズによって破損する可能性がある。
  論文  参考訳（メタデータ） (2020-06-17T15:52:28Z)
• Pain Intensity Estimation from Mobile Video Using 2D and 3D Facial Keypoints [1.6402428190800593]
  術後痛の管理は外科的治療の成功に不可欠である。 痛み管理の課題の1つは、患者の痛みレベルを正確に評価することである。 本稿では,術後患者の2Dおよび3D顔のキーポイントを分析し,痛み強度を推定するアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-17T00:18:29Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• Neural Networks Are More Productive Teachers Than Human Raters: Active Mixup for Data-Efficient Knowledge Distillation from a Blackbox Model [57.41841346459995]
  我々は,ブラックボックス教師モデルから知識を抽出し,学生の深層ニューラルネットワークを視覚認識のために訓練する方法を,データ効率のよい方法で研究する。 混合学習とアクティブラーニングを融合した手法を提案する。
  論文  参考訳（メタデータ） (2020-03-31T05:44:55Z)

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。