論文の概要: Geodesic Optimization for Predictive Shift Adaptation on EEG data

• arxiv url: http://arxiv.org/abs/2407.03878v2
• Date: Mon, 07 Oct 2024 14:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 13:41:11.229827
• Title: Geodesic Optimization for Predictive Shift Adaptation on EEG data
• Title（参考訳）: 脳波データに基づく予測シフト適応のための測地的最適化
• Authors: Apolline Mellot, Antoine Collas, Sylvain Chevallier, Alexandre Gramfort, Denis A. Engemann,
• Abstract要約: ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
• 参考スコア（独自算出の注目度）: 53.58711912565724
• License:
• Abstract: Electroencephalography (EEG) data is often collected from diverse contexts involving different populations and EEG devices. This variability can induce distribution shifts in the data $X$ and in the biomedical variables of interest $y$, thus limiting the application of supervised machine learning (ML) algorithms. While domain adaptation (DA) methods have been developed to mitigate the impact of these shifts, such methods struggle when distribution shifts occur simultaneously in $X$ and $y$. As state-of-the-art ML models for EEG represent the data by spatial covariance matrices, which lie on the Riemannian manifold of Symmetric Positive Definite (SPD) matrices, it is appealing to study DA techniques operating on the SPD manifold. This paper proposes a novel method termed Geodesic Optimization for Predictive Shift Adaptation (GOPSA) to address test-time multi-source DA for situations in which source domains have distinct $y$ distributions. GOPSA exploits the geodesic structure of the Riemannian manifold to jointly learn a domain-specific re-centering operator representing site-specific intercepts and the regression model. We performed empirical benchmarks on the cross-site generalization of age-prediction models with resting-state EEG data from a large multi-national dataset (HarMNqEEG), which included $14$ recording sites and more than $1500$ human participants. Compared to state-of-the-art methods, our results showed that GOPSA achieved significantly higher performance on three regression metrics ($R^2$, MAE, and Spearman's $\rho$) for several source-target site combinations, highlighting its effectiveness in tackling multi-source DA with predictive shifts in EEG data analysis. Our method has the potential to combine the advantages of mixed-effects modeling with machine learning for biomedical applications of EEG, such as multicenter clinical trials.
• Abstract（参考訳）: 脳波(EEG)データは、様々な個体群と脳波装置を含む様々な状況から収集されることが多い。 この可変性は、データである$X$と、興味を持つ$y$の生物医学変数における分布シフトを誘導し、教師付き機械学習(ML)アルゴリズムの適用を制限する。 ドメイン適応(DA)メソッドは、これらのシフトの影響を軽減するために開発されているが、そのようなメソッドは、分散シフトが同時に$X$と$y$で発生した場合に苦労する。 脳波の最先端MLモデルは空間共分散行列(Symmetric Positive Definite (SPD) 行列のリーマン多様体)で表されるデータを表すため、SPD多様体上で動くDA技術の研究は魅力的である。 本稿では、ソースドメインがそれぞれ$y$の分布を持つ状況に対して、テスト時マルチソースDAに対処するため、GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAはリーマン多様体の測地構造を利用して、サイト固有のインターセプトと回帰モデルを表す領域固有の再中心作用素を共同で学習する。 我々は,大規模多国籍データセット(HarMNqEEG)から得られた静止状態脳波データを用いた年齢予測モデルのクロスサイト一般化に関する実証的ベンチマークを行った。 その結果,GOPSAは3つの回帰指標(R^2$, MAE, Spearman's $\rho$)に対して,複数のソース・ターゲットサイトの組み合わせに対して高い性能を達成し,脳波データ解析におけるマルチソースDA処理の有効性を強調した。 本手法は多施設臨床試験などの脳波バイオメディカル応用における混合効果モデリングと機械学習の利点を併用する可能性がある。

関連論文リスト

• SPDIM: Source-Free Unsupervised Conditional and Label Shift Adaptation in EEG [6.002670452103349]
  非定常脳波(EEG)は、領域間での分布変化(例えば、日と被験者)をもたらす 対象ドメインに対するラベル付きキャリブレーションデータがない場合、問題はソースフリーな教師なしドメイン適応(SFUDA)問題である。 本稿では,ラベルシフトを含む特定の分布シフトの下でのSFUDA問題に対する幾何学的深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-26T21:27:53Z)
• Automatic Classification of Sleep Stages from EEG Signals Using Riemannian Metrics and Transformer Networks [6.404789669795639]
  睡眠医学において、被験者の睡眠の進化を評価するには、脳波(EEG)信号の高価な手作業によるスコアが伴うことが多い。 本研究では,Symmetric Definite Positive (SPD) の性質を犠牲にすることなく,学習した信号的特徴をそれらの行列に組み込む新しい方法を提案する。
  論文  参考訳（メタデータ） (2024-10-18T06:49:52Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• On The Effects Of Data Normalisation For Domain Adaptation On EEG Data [0.0]
  本稿では,データ正規化の影響,あるいはドメイン適応(DA)手法と併用した標準化戦略について論じる。 本研究は, 各種DA法を応用した各種正規化手法の効果を実験的に評価した。 その結果、DAシナリオのパフォーマンスにおいて、正規化戦略の選択が重要な役割を果たすことがわかった。
  論文  参考訳（メタデータ） (2022-10-03T16:51:12Z)
• Deep Optimal Transport for Domain Adaptation on SPD Manifolds [9.552869120136005]
  ニューロイメージングデータは、対称性と正の定性という数学的性質を持っている。 従来の領域適応法の適用は、これらの数学的性質が破壊される可能性があるため、困難である。 本稿では,境界分布と条件分布の差分を管理するための幾何学的深層学習に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-15T03:13:02Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。