論文の概要: Functional Classification of Spiking Signal Data Using Artificial Intelligence Techniques: A Review

• arxiv url: http://arxiv.org/abs/2409.17516v1
• Date: Thu, 26 Sep 2024 03:50:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-28 23:17:44.774546
• Title: Functional Classification of Spiking Signal Data Using Artificial Intelligence Techniques: A Review
• Title（参考訳）: 人工信号を用いたスパイキング信号データの機能分類 インテリジェンス技術: レビュー
• Authors: Danial Sharifrazi, Nouman Javed, Javad Hassannataj Joloudari, Roohallah Alizadehsani, Prasad N. Paradkar, Ru-San Tan, U. Rajendra Acharya, Asim Bhatti
• Abstract要約: 本稿では、スパイク分類におけるAIの重要性と利用について論じ、ニューラルアクティビティノイズの認識に焦点を当てる。 第一の目的は、将来の研究のためのスパイク分類の視点を提供し、関連する方法論と問題に関する包括的な理解を提供することである。
• 参考スコア（独自算出の注目度）: 8.320333033425475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human brain neuron activities are incredibly significant nowadays. Neuronal behavior is assessed by analyzing signal data such as electroencephalography (EEG), which can offer scientists valuable information about diseases and human-computer interaction. One of the difficulties researchers confront while evaluating these signals is the existence of large volumes of spike data. Spikes are some considerable parts of signal data that can happen as a consequence of vital biomarkers or physical issues such as electrode movements. Hence, distinguishing types of spikes is important. From this spot, the spike classification concept commences. Previously, researchers classified spikes manually. The manual classification was not precise enough as it involves extensive analysis. Consequently, Artificial Intelligence (AI) was introduced into neuroscience to assist clinicians in classifying spikes correctly. This review discusses the importance and use of AI in spike classification, focusing on the recognition of neural activity noises. The task is divided into three main components: preprocessing, classification, and evaluation. Existing methods are introduced and their importance is determined. The review also highlights the need for more efficient algorithms. The primary goal is to provide a perspective on spike classification for future research and provide a comprehensive understanding of the methodologies and issues involved. The review organizes materials in the spike classification field for future studies. In this work, numerous studies were extracted from different databases. The PRISMA-related research guidelines were then used to choose papers. Then, research studies based on spike classification using machine learning and deep learning approaches with effective preprocessing were selected.
• Abstract（参考訳）: 近年、ヒトの脳ニューロンの活動は極めて重要になっている。 神経行動は、脳波(EEG)などの信号データを分析して評価される。 これらの信号を評価する上で、研究者が直面する困難の1つは、大量のスパイクデータの存在である。 スパイクは、バイタルバイオマーカーや電極の動きなどの物理的問題によって起こりうる信号データのかなりの部分である。 したがって、スパイクの種類を区別することが重要である。 この点から、スパイク分類の概念が始まります。 以前は、研究者が手動でスパイクを分類していた。 手動の分類は、広範囲な分析を伴うほど正確ではなかった。 その結果、人工知能(AI)が神経科学に導入され、臨床医がスパイクを正しく分類するのを支援した。 本稿では、スパイク分類におけるAIの重要性と利用について論じ、ニューラルアクティビティノイズの認識に焦点を当てる。 タスクは前処理、分類、評価の3つの主要コンポーネントに分けられる。 既存の方法が導入され、その重要性が決定される。 レビューでは、より効率的なアルゴリズムの必要性も強調されている。 第一の目的は、将来の研究のためのスパイク分類の視点を提供し、関連する方法論と問題に関する包括的な理解を提供することである。 今後の研究のために, スパイク分類分野の資料を整理する。 この研究では、異なるデータベースから多くの研究が抽出された。 PRISMA関連の研究ガイドラインはその後、論文の選択に使用された。 そこで,機械学習を用いたスパイク分類に基づく研究と,前処理を効果的に行う深層学習手法を選択した。

関連論文リスト

• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Detecting Throat Cancer from Speech Signals using Machine Learning: A Scoping Literature Review [0.30723404270319693]
  人工知能(AI)と機械学習(ML)は、患者の発話から喉がんを検出する可能性がある。 喉がんの症例は世界中で増加している。 音声から喉がんを検出するためのAIとMLの使用について、包括的なレビューは行われていない。
  論文  参考訳（メタデータ） (2023-07-18T13:06:17Z)
• A review on Epileptic Seizure Detection using Machine Learning [0.0]
  本研究は特徴選択プロセスと分類性能の体系的な文献レビューを提供する。 既存の文献は、MPDI、IEEEXplore、Wiley、Elsevier、ACM、Springerlinkなどの有名なリポジトリから調査された。
  論文  参考訳（メタデータ） (2022-10-05T13:37:45Z)
• Analyzing Wearables Dataset to Predict ADLs and Falls: A Pilot Study [0.0]
  本稿では,日常の生活と転倒の行動を認識するシステムの評価に使用できる,30のウェアラブルベースのデータセットを網羅的にレビューする。 5つの機械学習手法を用いたSisFallデータセットの比較分析をピソンで行う。 本研究から得られた結果は,KNNが他の機械学習手法よりも精度,精度,リコールの点で優れていることを証明している。
  論文  参考訳（メタデータ） (2022-09-11T04:41:40Z)
• An Adaptive Contrastive Learning Model for Spike Sorting [12.043679000694258]
  神経科学研究においては、個々のニューロンの活動を分離することが重要である。 大規模なシリコン技術の発展に伴い、スパイクの人工的解釈とラベル付けはますます非現実的になりつつある。 対照的な学習を通してスパイクから表現を学習する新しいモデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-24T09:18:46Z)
• Multi-class versus One-class classifier in spontaneous speech analysis oriented to Alzheimer Disease diagnosis [58.720142291102135]
  本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。 外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
  論文  参考訳（メタデータ） (2022-03-21T09:57:20Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)
• 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)
• Exemplar Auditing for Multi-Label Biomedical Text Classification [0.4873362301533824]
  我々は、最近提案されたゼロショットシーケンスラベリング手法「畳み込み分解による教師付きラベリング」を一般化する。 この手法は"イントロスペクション(introspection)"と分類され、推論時間予測のきめ細かい特徴を最も近い隣人に関連付ける。 提案手法は,医療従事者に対して,モデルの予測を駆動する健全な特徴を理解する上で,競争力のある分類モデルと尋問メカニズムの両方を提供する。
  論文  参考訳（メタデータ） (2020-04-07T02:54:20Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。