論文の概要: Chirp Localization via Fine-Tuned Transformer Model: A Proof-of-Concept Study
- arxiv url: http://arxiv.org/abs/2503.22713v1
- Date: Mon, 24 Mar 2025 14:27:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-06 06:33:40.208212
- Title: Chirp Localization via Fine-Tuned Transformer Model: A Proof-of-Concept Study
- Title（参考訳）: 微細可変変圧器モデルによるチャープ位置決め:概念実証研究
- Authors: Nooshin Bahador, Milad Lankarany,
- Abstract要約: 脳波スペクトログラムのチャープ様パターンは発作ダイナミクスの鍵となるバイオマーカーである。
本研究では、視覚変換器(ViT)モデルとローランド適応(LoRA)を微調整することで、このギャップを埋める。
我々は、チャープパラメータを持つ10万のスペクトログラムを生成し、チャープローカライゼーションのための最初の大規模ベンチマークを作成した。
- 参考スコア（独自算出の注目度）: 0.23020018305241333
- License:
- Abstract: Spectrograms are pivotal in time-frequency signal analysis, widely used in audio processing and computational neuroscience. Chirp-like patterns in electroencephalogram (EEG) spectrograms (marked by linear or exponential frequency sweep) are key biomarkers for seizure dynamics, but automated tools for their detection, localization, and feature extraction are lacking. This study bridges this gap by fine-tuning a Vision Transformer (ViT) model on synthetic spectrograms, augmented with Low-Rank Adaptation (LoRA) to boost adaptability. We generated 100000 synthetic spectrograms with chirp parameters, creating the first large-scale benchmark for chirp localization. These spectrograms mimic neural chirps using linear or exponential frequency sweep, Gaussian noise, and smoothing. A ViT model, adapted for regression, predicted chirp parameters. LoRA fine-tuned the attention layers, enabling efficient updates to the pre-trained backbone. Training used MSE loss and the AdamW optimizer, with a learning rate scheduler and early stopping to curb overfitting. Only three features were targeted: Chirp Start Time (Onset Time), Chirp Start Frequency (Onset Frequency), and Chirp End Frequency (Offset Frequency). Performance was evaluated via Pearson correlation between predicted and actual labels. Results showed strong alignment: 0.9841 correlation for chirp start time, with stable inference times (137 to 140s) and minimal bias in error distributions. This approach offers a tool for chirp analysis in EEG time-frequency representation, filling a critical methodological void.
- Abstract（参考訳）: スペクトログラムは時間周波数信号解析において中心的であり、オーディオ処理や計算神経科学で広く用いられている。
脳波(EEG)スペクトログラムにおけるチャープ様パターン(線形または指数周波数スイープで示される)は、発作ダイナミクスの鍵となるバイオマーカーであるが、検出、局在、特徴抽出のための自動ツールが欠如している。
本研究では,視覚変換器(ViT)モデルを合成スペクトログラム上に微調整し,ローランド適応(LoRA)を付加して適応性を高めることにより,このギャップを埋める。
我々は、チャープパラメータを持つ100000の合成スペクトログラムを生成し、チャープ局所化のための最初の大規模ベンチマークを作成した。
これらのスペクトログラムは、線形または指数周波数スイープ、ガウス雑音、平滑化を用いてニューラルチャープを模倣する。
回帰に適応したViTモデルは、チャープパラメータを予測した。
LoRAは注意層を微調整し、トレーニング済みのバックボーンの効率的な更新を可能にした。
トレーニングではMSE損失とAdamWオプティマイザを使用し、学習率スケジューラと早期停止でオーバーフィッティングを抑えた。
Chirp Start Time (Onset Time)、Chirp Start Frequency (Onset Frequency)、Chirp End Frequency (Offset Frequency)である。
予測ラベルと実ラベルのピアソン相関による性能評価を行った。
その結果, チャープ開始時刻の相関は0.9841であり, 推定時間(137～140秒)は安定であり, 誤差分布のバイアスは最小であった。
このアプローチは、EEGの時間周波数表現におけるチャープ解析のツールを提供し、重要な方法論的空白を埋める。
関連論文リスト
- RhythmFormer: Extracting Patterned rPPG Signals based on Periodic Sparse Attention [18.412642801957197]
RRhythmは、生理学的ビデオに基づいて生理的信号を検出する非接触法である。
本稿では,周期性によって誘発される時間的注意間隔に基づく周期的注意機構を提案する。
これは、データ内およびデータ間評価の両方において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-02-20T07:56:02Z) - Vocos: Closing the gap between time-domain and Fourier-based neural vocoders for high-quality audio synthesis [1.4277428617774877]
フーリエスペクトル係数を直接生成する新しいモデルであるVocosを提案する。
計算効率を大幅に向上し、時間領域のニューラルネットワークのボコーディングアプローチに比べて、桁違いにスピードが向上する。
論文 参考訳（メタデータ） (2023-06-01T15:40:32Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z) - Explainable AI Algorithms for Vibration Data-based Fault Detection: Use
Case-adadpted Methods and Critical Evaluation [0.0]
深層ニューラルネットワークアルゴリズムを用いて振動データを解析することは、回転機械の損傷を早期に検出する有効な方法である。
本研究では、振動に基づく状態監視のための畳み込みニューラルネットワークへの説明可能なAI(XAI)アルゴリズムの適用について検討する。
論文 参考訳（メタデータ） (2022-07-21T19:57:36Z) - SpecGrad: Diffusion Probabilistic Model based Neural Vocoder with
Adaptive Noise Spectral Shaping [51.698273019061645]
SpecGradは拡散雑音に適応し、その時間変化スペクトル包絡が条件付き対数メル分光器に近づく。
時間周波数領域で処理され、計算コストは従来のDDPMベースのニューラルボコーダとほぼ同じである。
論文 参考訳（メタデータ） (2022-03-31T02:08:27Z) - Simpler is better: spectral regularization and up-sampling techniques
for variational autoencoders [1.2234742322758418]
ニューラルネットワークに基づく生成モデルのスペクトル挙動のキャラクタリゼーションは未解決のままである。
最近の研究は、生成的対向ネットワークと、実画像と生成画像の高周波の相違に重点を置いている。
変分オートエンコーダ(VAE)のための単純な2次元フーリエ変換に基づくスペクトル正規化損失を提案する。
論文 参考訳（メタデータ） (2022-01-19T11:49:57Z) - Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series
Anomaly Detection [9.067182100565695]
本研究では,空間データにおける異常検出のためのRPCAのハンケル構造テンソルバージョンを提案する。
劣化した行列を低ランクのハンケルテンソルとスパース行列に分解する。
本手法は, 合成データと乗客フロー時系列を用いて評価する。
論文 参考訳（メタデータ） (2021-10-08T19:35:39Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳（メタデータ） (2021-07-13T11:08:47Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z)
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。