論文の概要: BUNDL: Bayesian Uncertainty-aware Deep Learning with Noisy training Labels for Seizure Detection in EEG

• arxiv url: http://arxiv.org/abs/2410.19815v1
• Date: Thu, 17 Oct 2024 21:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 07:49:46.931755
• Title: BUNDL: Bayesian Uncertainty-aware Deep Learning with Noisy training Labels for Seizure Detection in EEG
• Title（参考訳）: BUNDL:脳波シーズール検出のための雑音学習ラベルを用いたベイズ的不確実性認識深層学習
• Authors: Deeksha M Shama, Archana Venkataraman,
• Abstract要約: Scalp EEGは高いノイズレベルに影響を受けやすいため、発作のタイミングや特徴の不正確なアノテーションにつながる。 本稿では,ラベル曖昧性の深層学習モデルを示す新しい統計フレームワークを提案する。 BUNDLはラベルの曖昧さに対処するために特別に設計されており、てんかん評価のための信頼性と信頼性のあるモデルのトレーニングを可能にする。
• 参考スコア（独自算出の注目度）: 4.3152965872426625
• License:
• Abstract: Deep learning methods are at the forefront of automated epileptic seizure detection and onset zone localization using scalp-EEG. However, the performance of deep learning methods rely heavily on the quality of annotated training datasets. Scalp EEG is susceptible to high noise levels, which in turn leads to imprecise annotations of the seizure timing and characteristics. This label noise presents a significant challenge in model training and generalization. In this paper, we introduce a novel statistical framework that informs a deep learning model of label ambiguity, thereby enhancing the overall seizure detection performance. Our Bayesian UncertaiNty-aware Deep Learning, BUNDL, strategy offers a straightforward and model-agnostic method for training deep neural networks with noisy training labels that does not add any parameters to existing architectures. By integrating domain knowledge into the statistical framework, we derive a novel KL-divergence-based loss function that capitalizes on uncertainty to better learn seizure characteristics from scalp EEG. Additionally, we explore the impact of improved seizure detection on the task of automated onset zone localization. We validate BUNDL using a comprehensive simulated EEG dataset and two publicly available datasets, TUH and CHB-MIT. BUNDL consistently improves the performance of three base models on simulated data under seven types of label noise and three EEG signal-to-noise ratios. Similar improvements were observed in the real-world TUH and CHB-MIT datasets. Finally, we demonstrate that BUNDL improves the accuracy of seizure onset zone localization. BUNDL is specifically designed to address label ambiguities, enabling the training of reliable and trustworthy models for epilepsy evaluation.
• Abstract（参考訳）: 深層学習法は、頭皮EEGを用いたてんかん発作自動検出と発症ゾーンの局在の最前線にある。 しかし、ディープラーニング手法の性能は、注釈付きトレーニングデータセットの品質に大きく依存している。 Scalp EEGは高いノイズレベルに影響を受けやすいため、発作のタイミングや特徴の不正確なアノテーションにつながる。 このラベルノイズは、モデルトレーニングと一般化において大きな課題となる。 本稿では,ラベルのあいまいさの深層学習モデルを示す新しい統計フレームワークを提案する。 私たちのベイズアン・アンサータイ ディープラーニング(BUNDL)戦略は、既存のアーキテクチャにパラメータを追加せずにノイズの多いトレーニングラベルでディープニューラルネットワークをトレーニングするための、単純でモデルに依存しない方法を提供します。 統計的枠組みにドメイン知識を組み込むことで、不確実性に乗じて頭皮脳波から発作特性を学習する新しいKL分割型損失関数を導出する。 さらに,アセプション検出の改善が,自動オンセットゾーンローカライゼーションのタスクに与える影響についても検討する。 脳波データとTUHとCHB-MITの2つの公開データセットを用いてBUNDLを検証する。 BUNDLは、7種類のラベルノイズと3つのEEG信号対雑音比に基づくシミュレーションデータに基づく3つのベースモデルの性能を一貫して改善する。 実際のTUHおよびCHB-MITデータセットでも同様の改善が見られた。 最後に,BUNDLは発作発生域の局所化の精度を向上させることを実証した。 BUNDLはラベルの曖昧さに対処するために特別に設計されており、てんかん評価のための信頼性と信頼性のあるモデルのトレーニングを可能にする。

関連論文リスト

• From Epilepsy Seizures Classification to Detection: A Deep Learning-based Approach for Raw EEG Signals [0.8182812460605992]
  側頭葉てんかんの3分の1は薬剤耐性を示す。 抗敗血症薬開発の鍵となるのはてんかん発作の検出と定量化である。 本研究では,脳波信号に適用した深層学習モデルに基づく発作検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-10-04T12:52:37Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Analyze the Robustness of Classifiers under Label Noise [5.708964539699851]
  教師付き学習におけるラベルノイズは、誤ったラベルまたは不正確なラベルによって特徴づけられ、モデル性能を著しく損なう。 本研究は, ラベルノイズが実用的応用に与える影響について, ますます関連する問題に焦点をあてる。
  論文  参考訳（メタデータ） (2023-12-12T13:51:25Z)
• Amplifying Pathological Detection in EEG Signaling Pathways through Cross-Dataset Transfer Learning [10.212217551908525]
  実世界の病理分類課題におけるデータとモデルスケーリングとデータセット間の知識伝達の有効性について検討する。 ネガティブトランスファーの可能性の課題を特定し、いくつかの重要なコンポーネントの重要性を強調する。 以上の結果から,小規模で汎用的なモデル(ShallowNetなど)は単一データセット上では良好に動作するが,大規模なモデル(TCNなど)では,大規模かつ多様なデータセットからの転送や学習がより優れていることが示唆された。
  論文  参考訳（メタデータ） (2023-09-19T20:09:15Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Self-Supervised Learning for Anomalous Channel Detection in EEG Graphs: Application to Seizure Analysis [4.1372815372396525]
  本稿では、発作データへのアクセスが不要な自己教師付き方法で発作チャンネルやクリップを検出することを提案する。 提案手法は,脳波グラフに埋め込まれた局所構造情報と文脈情報を,正と負のサブグラフを用いて検討する。 我々は,脳波による発作研究において,最も大きな発作データセットに関する広範な実験を行い,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-15T21:56:30Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)
• Learning to Rectify for Robust Learning with Noisy Labels [25.149277009932423]
  分類ネットワークのトレーニング手順を適応的に修正するためのワープ確率推論(WarPI)を提案する。 雑音ラベルによる頑健な学習の4つのベンチマークでWarPIを評価し, 異種雑音下での新たな最先端の学習を実現する。
  論文  参考訳（メタデータ） (2021-11-08T02:25:50Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。