論文の概要: Stochastic Sparse Sampling: A Framework for Variable-Length Medical Time Series Classification
- arxiv url: http://arxiv.org/abs/2410.06412v2
- Date: Tue, 22 Oct 2024 03:11:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-01 05:49:26.032733
- Title: Stochastic Sparse Sampling: A Framework for Variable-Length Medical Time Series Classification
- Title（参考訳）: 確率スパースサンプリング: 可変長医用時系列分類のためのフレームワーク
- Authors: Xavier Mootoo, Alan A. Díaz-Montiel, Milad Lankarany, Hina Tabassum,
- Abstract要約: 本稿では,医療用VTSCフレームワークであるtextbfS$tochastic $textbfS$parse $textbfS$ampling (SSS)を提案する。
SSSは、固定ウィンドウをわずかにサンプリングし、局所的な予測を計算することで可変長シーケンスを管理し、グローバルな予測を形成するために集約され、校正される。
4つの独立した医療センターから得られた頭蓋内脳波(iEEG)の異種収集であるてんかんiEEG Multicenterデータセットについて検討した。
- 参考スコア（独自算出の注目度）: 9.474649136535705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While the majority of time series classification research has focused on modeling fixed-length sequences, variable-length time series classification (VTSC) remains critical in healthcare, where sequence length may vary among patients and events. To address this challenge, we propose $\textbf{S}$tochastic $\textbf{S}$parse $\textbf{S}$ampling (SSS), a novel VTSC framework developed for medical time series. SSS manages variable-length sequences by sparsely sampling fixed windows to compute local predictions, which are then aggregated and calibrated to form a global prediction. We apply SSS to the task of seizure onset zone (SOZ) localization, a critical VTSC problem requiring identification of seizure-inducing brain regions from variable-length electrophysiological time series. We evaluate our method on the Epilepsy iEEG Multicenter Dataset, a heterogeneous collection of intracranial electroencephalography (iEEG) recordings obtained from four independent medical centers. SSS demonstrates superior performance compared to state-of-the-art (SOTA) baselines across most medical centers, and superior performance on all out-of-distribution (OOD) unseen medical centers. Additionally, SSS naturally provides post-hoc insights into local signal characteristics related to the SOZ, by visualizing temporally averaged local predictions throughout the signal.
- Abstract（参考訳）: 時系列分類研究の大半は固定長のシーケンスのモデル化に重点を置いているが、可変長の時系列分類(VTSC)は、患者やイベントによって配列の長さが変わる医療において依然として重要である。
この課題に対処するために、医療時系列用に開発された新しいVTSCフレームワークである$\textbf{S}$tochastic $\textbf{S}$parse $\textbf{S}$ampling (SSS)を提案する。
SSSは、固定ウィンドウをわずかにサンプリングし、局所的な予測を計算することで可変長シーケンスを管理し、グローバルな予測を形成するために集約され、校正される。
本研究では, 発作誘発脳領域を可変長電気生理学的時系列から同定する必要がある重要なVTSC問題である, 発作発生領域(SOZ)の局所化のタスクにSSSを適用した。
4つの独立した医療センターから得られた頭蓋内脳波(iEEG)の異種収集であるてんかんiEEG Multicenter Datasetについて検討した。
SSSは、ほとんどの医療センターにおける最先端(SOTA)ベースラインよりも優れたパフォーマンスを示し、すべてのアウト・オブ・ディストリビューション(OOD)未確認の医療センターにおいて優れたパフォーマンスを示す。
さらに、SSSは、信号全体で時間的に平均化された局所的な予測を可視化することにより、SOZに関連する局所的な信号特性に関する時間後洞察を提供する。
関連論文リスト
- 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) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。
空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。
時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
論文 参考訳（メタデータ） (2024-05-30T03:15:09Z) - Temporal Cross-Attention for Dynamic Embedding and Tokenization of Multimodal Electronic Health Records [1.6609516435725236]
マルチモーダルな臨床時系列を正確に表現するための動的埋め込み・トークン化フレームワークを提案する。
術後合併症9例の発症予測に基礎的アプローチを応用した。
論文 参考訳（メタデータ） (2024-03-06T19:46:44Z) - ICU Mortality Prediction Using Long Short-Term Memory Networks [0.0]
我々はElectronic Health Records(EHRs)から得られた大量の時間データを解析する自動データ駆動システムを実装した。
我々は,院内死亡率とLOS(Longth of Stay)を早期に予測するために,高レベル情報を抽出する。
実世界の予測エンジン構築のための厳密な時系列測定によるLSTMモデルの効率性について実験を行った。
論文 参考訳（メタデータ） (2023-08-18T09:44:47Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳（メタデータ） (2023-04-15T09:39:52Z) - The Brain Tumor Sequence Registration (BraTS-Reg) Challenge: Establishing Correspondence Between Pre-Operative and Follow-up MRI Scans of Diffuse Glioma Patients [31.567542945171834]
脳腫瘍シーケンス登録(BraTS-Reg)の課題について述べる。
BraTS-Regは、変形可能な登録アルゴリズムのための最初の公開ベンチマーク環境である。
BraTS-Regの目的は、引き続き研究の活発な資源として機能することである。
論文 参考訳（メタデータ） (2021-12-13T19:25:16Z) - Large-scale Augmented Granger Causality (lsAGC) for Connectivity
Analysis in Complex Systems: From Computer Simulations to Functional MRI
(fMRI) [0.0]
本稿では,複合システムにおける接続解析の方法として,大規模Augmented Granger Causality (lsAGC)を導入している。
lsAGCアルゴリズムは、寸法低減とソース時系列拡張を組み合わせた。
合成指向性時系列ネットワーク上での lsAGC の性能を定量的に評価する。
論文 参考訳（メタデータ） (2021-01-10T01:44:48Z) - An Adversarial Domain Separation Framework for Septic Shock Early
Prediction Across EHR Systems [7.058760708627898]
本稿では,異なる医療システムから収集したEHRの2つのカテゴリの相違に対処する汎用ドメイン適応(DA)フレームワークを提案する。
本研究は,米国における異なる医療システムから得られた2つの現実的 EHR を用いて,極めて困難な症状である敗血症性ショックの早期診断のための枠組みを評価する。
論文 参考訳（メタデータ） (2020-10-26T23:41:33Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - Temporal Phenotyping using Deep Predictive Clustering of Disease
Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。
2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文 参考訳（メタデータ） (2020-06-15T20:48:43Z)
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。