論文の概要: SCFNet:A Transferable IIIC EEG Classification Network

• arxiv url: http://arxiv.org/abs/2412.17835v1
• Date: Mon, 16 Dec 2024 02:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-29 07:32:23.719019
• Title: SCFNet:A Transferable IIIC EEG Classification Network
• Title（参考訳）: SCFNet:転送可能なIIIC脳波分類ネットワーク
• Authors: Weijin Xu,
• Abstract要約: 単一チャネル特徴抽出(Singal Channel Feature)モデルバックエンド融合(SCFNet)を用いたニューラルネットワークアーキテクチャを提案する。 EEG-SCFNetの精度はベースラインモデルに比べて4%向上し、元のRCNNニューラルネットワークモデルに比べて1.3%向上した。
• 参考スコア（独自算出の注目度）: 1.2781698000674653
• License:
• Abstract: Epilepsy and epileptiform discharges are common harmful brain activities, and electroencephalogram (EEG) signals are widely used to monitor the onset status of patients. However, due to the lack of unified EEG signal acquisition standards, there are many obstacles in practical applications, especially the difficulty in transferring and using models trained on different numbers of channels. To address this issue, we proposes a neural network architecture with a single-channel feature extraction (Singal Channel Feature) model backend fusion (SCFNet). The feature extractor of the model is an RCNN network with single-channel input, which does not depend on other channels, thereby enabling easier migration to data with different numbers of channels. Experimental results show that on the IIIC-Seizure dataset, the accuracy of EEG-SCFNet has improved by 4% compared to the baseline model and also increased by 1.3% compared to the original RCNN neural network model. Even with only fine-tuning the classification head, its performance can still maintain a level comparable to the baseline. In addition, in terms of cross-dataset transfer, EEG-SCFNet can still maintain certain performance even if the channel leads are different.
• Abstract（参考訳）: てんかんやてんかんは脳活動に悪影響を及ぼし、脳電図(EEG)信号は患者の発症状況を監視するために広く用いられている。 しかし、脳波信号取得標準が統一されていないため、実用化には多くの障害があり、特に異なる数のチャネルで訓練されたモデルの転送と使用が困難である。 この問題に対処するため,単一チャネル特徴抽出(Singal Channel Feature)モデルバックエンド融合(SCFNet)を用いたニューラルネットワークアーキテクチャを提案する。 モデルの特徴抽出器はシングルチャネル入力を持つRCNNネットワークであり、他のチャネルに依存しないため、異なるチャンネル数のデータへのマイグレーションが容易になる。 実験の結果,IIIC-Seizureデータセットでは,ベースラインモデルに比べてEEG-SCFNetの精度が4%向上し,元のRCNNニューラルネットワークモデルに比べて1.3%向上した。 分類ヘッドを微調整するだけでも、その性能はベースラインに匹敵するレベルを維持することができる。 さらに、クロスデータセット転送の観点では、EEG-SCFNetは、たとえチャネルのリードが異なるとしても、一定のパフォーマンスを維持することができる。

関連論文リスト

• 3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN and LSTM with Attention [0.174048653626208]
  本稿では,3次元畳み込みニューラルネットワーク(CNN)と長期記憶ネットワーク(LSTM)を組み合わせて運動画像(MI)信号を分類するモデルを提案する。 実験の結果、このモデルは、BCIコンペティションIVデータセット2aの分類精度92.7%、F1スコア0.91に達した。 このモデルにより、ユーザの運動像意図の分類精度が大幅に向上し、自律走行車や医療リハビリテーションといった新興分野における脳-コンピュータインタフェースの応用可能性が改善された。
  論文  参考訳（メタデータ） (2023-12-20T03:38:24Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• DSNet: a simple yet efficient network with dual-stream attention for lesion segmentation [0.0]
  本稿では, 簡易かつ効率的なネットワークDSNetを提案する。 本手法は,モデル複雑性とメモリ消費の低い平均Dice係数(mDice)と平均MIoU(mIoU)のSOTA性能を実現する。
  論文  参考訳（メタデータ） (2022-11-30T12:48:17Z)
• MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
  てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。 本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
  論文  参考訳（メタデータ） (2022-11-09T01:07:20Z)
• Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
  実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。 ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。 筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
  論文  参考訳（メタデータ） (2021-05-27T02:33:16Z)
• Classification of Motor Imagery EEG Signals by Using a Divergence Based Convolutional Neural Network [0.0]
  増強過程はEEG信号の分類性能を高めるために適用されないことが観察される。 本研究では、MI EEG信号の分類性能に及ぼす増強過程の影響について検討した。
  論文  参考訳（メタデータ） (2021-03-19T18:27:28Z)
• Inter-subject Deep Transfer Learning for Motor Imagery EEG Decoding [1.933681537640272]
  畳み込みニューラルネットワーク(CNN)は脳波を復号する強力な技術となっている。 個々のパフォーマンスを低下させることなく、複数の被験者の脳波でCNNを訓練することは依然として困難です。 本稿では,ネットワークの特徴抽出器を分割したマルチブランチディープ転送ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-03-09T11:01:02Z)
• End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
  本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。 我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。 この一般的なアプローチは、2つの異なるEEGタスクで評価される。
  論文  参考訳（メタデータ） (2021-02-11T13:44:07Z)
• Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
  CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。 我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-21T12:32:34Z)
• Channel Equilibrium Networks for Learning Deep Representation [63.76618960820138]
  この研究は正規化と正則線型関数の組み合わせがチャネルを阻害することを示している。 阻害されたチャネルを単に取り除いた先行技術とは異なり、我々は、新しいニューラルネットワークビルディングブロックを設計することで、トレーニング中に「目を覚ます」ことを提案する。 Channel Equilibrium (CE) ブロックは、同じレイヤのチャネルが学習した表現に等しく寄与することを可能にする。
  論文  参考訳（メタデータ） (2020-02-29T09:02:31Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。