論文の概要: FRAME-C: A knowledge-augmented deep learning pipeline for classifying multi-electrode array electrophysiological signals

• arxiv url: http://arxiv.org/abs/2505.18183v1
• Date: Sun, 18 May 2025 03:03:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.124874
• Title: FRAME-C: A knowledge-augmented deep learning pipeline for classifying multi-electrode array electrophysiological signals
• Title（参考訳）: FRAME-C:多電極アレイ電気生理学的信号の分類のための知識強化ディープラーニングパイプライン
• Authors: Nisal Ranasinghe, Dzung Do-Ha, Simon Maksour, Tamasha Malepathirana, Sachith Seneviratne, Lezanne Ooi, Saman Halgamuge,
• Abstract要約: 筋萎縮性側索硬化症(Amyotrophic lateral sclerosis、ALS)は、運動ニューロン変性を特徴とする致命的な神経変性疾患である。 誘導多能性幹細胞(iPSC)技術の最近の進歩は、ヒトiPSC由来の神経細胞培養の創出を可能にしている。 FRAME-Cは知識強化された機械学習パイプラインで、ドメイン知識、生スパイク波形データ、MEA信号を分類するためのディープラーニング技術を組み合わせたものだ。
• 参考スコア（独自算出の注目度）: 0.9333512455090456
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Amyotrophic lateral sclerosis (ALS) is a fatal neurodegenerative disorder characterized by motor neuron degeneration, with alterations in neural excitability serving as key indicators. Recent advancements in induced pluripotent stem cell (iPSC) technology have enabled the generation of human iPSC-derived neuronal cultures, which, when combined with multi-electrode array (MEA) electrophysiology, provide rich spatial and temporal electrophysiological data. Traditionally, MEA data is analyzed using handcrafted features based on potentially imperfect domain knowledge, which while useful may not fully capture all useful characteristics inherent in the data. Machine learning, particularly deep learning, has the potential to automatically learn relevant characteristics from raw data without solely relying on handcrafted feature extraction. However, handcrafted features remain critical for encoding domain knowledge and improving interpretability, especially with limited or noisy data. This study introduces FRAME-C, a knowledge-augmented machine learning pipeline that combines domain knowledge, raw spike waveform data, and deep learning techniques to classify MEA signals and identify ALS-specific phenotypes. FRAME-C leverages deep learning to learn important features from spike waveforms while incorporating handcrafted features such as spike amplitude, inter-spike interval, and spike duration, preserving key spatial and temporal information. We validate FRAME-C on both simulated and real MEA data from human iPSC-derived neuronal cultures, demonstrating superior performance over existing classification methods. FRAME-C shows over 11% improvement on real data and up to 25% on simulated data. We also show FRAME-C can evaluate handcrafted feature importance, providing insights into ALS phenotypes.
• Abstract（参考訳）: 筋萎縮性側索硬化症(Amyotrophic lateral sclerosis、ALS)は、運動ニューロン変性を特徴とする致命的な神経変性疾患である。 誘導多能性幹細胞(iPSC)技術の最近の進歩により、ヒトiPSC由来の神経細胞の培養が可能となり、多電極アレイ(MEA)電気生理学と組み合わせることで、豊かな空間的および時間的電気生理学的データが得られるようになった。 伝統的に、MEAデータは、潜在的に不完全なドメイン知識に基づいて手作りの特徴を用いて分析される。 機械学習、特にディープラーニングは、手作りの特徴抽出のみに頼ることなく、生データから関連する特徴を自動的に学習する可能性がある。 しかし、手作りの機能はドメイン知識の符号化や解釈可能性の向上、特に限られたデータやうるさいデータでは依然として重要である。 本研究では、知識強化された機械学習パイプラインであるFRAME-Cを紹介し、ドメイン知識、生スパイク波形データ、深層学習技術を組み合わせてMEA信号を分類し、ALS固有の表現型を識別する。 FRAME-Cは深層学習を利用してスパイク波形から重要な特徴を学習し、スパイク振幅、スパイク間隔、スパイク時間といった手作りの特徴を取り入れ、重要な空間情報と時間情報を保存する。 我々は,ヒトiPSC由来の神経細胞培養のシミュレーションおよび実際のMEAデータに基づいてFRAME-Cを検証し,既存の分類法よりも優れた性能を示した。 FRAME-Cは実データでは11%以上、シミュレーションデータでは25%以上改善されている。 また,FRAME-Cが手作りの特徴を評価できることを示すとともに,ALS表現型に関する知見を提供する。

関連論文リスト

• Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
  アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。 本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-08-20T13:11:43Z)
• Decoding Human Emotions: Analyzing Multi-Channel EEG Data using LSTM Networks [0.0]
  本研究では、Long Short-Term Memory (LSTM) ネットワークを用いて脳波信号を解析することにより、感情状態分類の予測精度を向上することを目的とする。 DEAPとして知られる多チャンネル脳波記録の一般的なデータセットを用いて、LSTMネットワークの特性を活用して、脳波信号データ内の時間的依存関係を処理する。 感情認識モデルの能力は, それぞれ89.89%, 90.33%, 90.70%, 90.54%であった。
  論文  参考訳（メタデータ） (2024-08-19T18:10:47Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Physics-driven Synthetic Data Learning for Biomedical Magnetic Resonance [29.338413545265364]
  物理に基づく画像データ合成(IPADS)は、生医学的磁気共鳴の膨大なトレーニングデータを提供することができる。 IPADSは、微分方程式や分析ソリューションモデルから信号を生成し、学習をよりスケーラブルに、説明しやすく、プライバシーを保護します。
  論文  参考訳（メタデータ） (2022-03-21T17:56:12Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• 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)

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。