Fugu-MT 論文翻訳(概要): Synthetic ALS-EEG Data Augmentation for ALS Diagnosis Using Conditional WGAN with Weight Clipping

論文の概要: Synthetic ALS-EEG Data Augmentation for ALS Diagnosis Using Conditional WGAN with Weight Clipping

arxiv url: http://arxiv.org/abs/2506.16243v1
Date: Thu, 19 Jun 2025 11:57:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-23 19:00:05.049745
Title: Synthetic ALS-EEG Data Augmentation for ALS Diagnosis Using Conditional WGAN with Weight Clipping
Title（参考訳）: 軽量クリッピングを用いた条件付きWGANを用いたALS診断のための合成ALS-EEGデータ拡張
Authors: Abdulvahap Mutlu, Şengül Doğan, Türker Tuncer,
Abstract要約: 条件付きWasserstein Generative Adversarial Network(CWGAN)を用いたALS患者のための合成脳波信号を生成する。我々は、ALS EEG信号の分布を学習するために、プライベートEEGデータセット(ALS対非ALS)でCWGANを訓練する。脳波記録の事前処理と正規化を行い、合成ALS信号を生成するためにCWGANモデルを訓練する。
参考スコア（独自算出の注目度）: 4.884338536663712
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Amyotrophic Lateral Sclerosis (ALS) is a rare neurodegenerative disease, and high-quality EEG data from ALS patients are scarce. This data scarcity, coupled with severe class imbalance between ALS and healthy control recordings, poses a challenge for training reliable machine learning classifiers. In this work, we address these issues by generating synthetic EEG signals for ALS patients using a Conditional Wasserstein Generative Adversarial Network (CWGAN). We train CWGAN on a private EEG dataset (ALS vs. non-ALS) to learn the distribution of ALS EEG signals and produce realistic synthetic samples. We preprocess and normalize EEG recordings, and train a CWGAN model to generate synthetic ALS signals. The CWGAN architecture and training routine are detailed, with key hyperparameters chosen for stable training. Qualitative evaluation of generated signals shows that they closely mimic real ALS EEG patterns. The CWGAN training converged with generator and discriminator loss curves stabilizing, indicating successful learning. The synthetic EEG signals appear realistic and have potential use as augmented data for training classifiers, helping to mitigate class imbalance and improve ALS detection accuracy. We discuss how this approach can facilitate data sharing and enhance diagnostic models.
Abstract（参考訳）: 筋萎縮性側索硬化症(ALS)は稀な神経変性疾患である。このデータ不足は、ALSと健全な制御記録の間の厳しいクラス不均衡と相まって、信頼性の高い機械学習分類器のトレーニングに課題を生んでいる。本研究では, 条件付きWasserstein Generative Adversarial Network (CWGAN) を用いたALS患者に対して, 合成脳波信号を生成することで, これらの課題に対処する。我々は、プライベートEEGデータセット(ALS vs. non-ALS)でCWGANをトレーニングし、ALS EEG信号の分布を学習し、リアルな合成サンプルを生成する。脳波記録の事前処理と正規化を行い、合成ALS信号を生成するためにCWGANモデルを訓練する。 CWGANアーキテクチャとトレーニングルーチンは詳細であり、安定したトレーニングのために重要なハイパーパラメータが選択されている。生成した信号の質的評価は、実際のALS脳波パターンを忠実に模倣していることを示している。 CWGANトレーニングは、ジェネレータと判別器の損失曲線を安定化させ、学習を成功させたことを示す。合成脳波信号はリアルに見え、訓練用分類器の強化データとしての可能性があり、クラス不均衡を緩和し、ALS検出精度を向上させる。このアプローチによってデータ共有が促進され,診断モデルが向上する方法について論じる。

関連論文リスト

A Statistical Approach for Synthetic EEG Data Generation [2.5648452174203062]
本研究では,相関解析とランダムサンプリングを組み合わせて,リアルな合成脳波データを生成する手法を提案する。生の脳波と生の脳波を区別するために訓練されたランダムフォレストモデルは、偶然に高い忠実度を示す。この方法は、脳波データセットを拡張するためのスケーラブルでプライバシー保護のアプローチを提供し、メンタルヘルス研究におけるより効率的なモデルトレーニングを可能にする。
論文参考訳（メタデータ） (2025-04-22T06:48:42Z)
Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
論文参考訳（メタデータ） (2024-12-17T18:07:40Z)
Synthetic Electroretinogram Signal Generation Using Conditional Generative Adversarial Network for Enhancing Classification of Autism Spectrum Disorder [2.677313250168906]
本研究では, ASD 児の合成ERG 信号を生成できるジェネレーティブ・アドバイサル・ネットワークについて述べる。このアプローチは、ERGが障害の分類に役立つ可能性のある関連する精神疾患の分類モデルをサポートするかもしれない。
論文参考訳（メタデータ） (2024-07-11T04:11:52Z)
Automatic Prediction of Amyotrophic Lateral Sclerosis Progression using Longitudinal Speech Transformer [56.17737749551133]
ニューラルネットワークを用いたALS病進行自動予測器であるALS長手音声変換器(ALST)を提案する。録音における高品質な事前訓練音声特徴と長手情報を活用することで、最良のモデルが91.0%のAUCを達成できる。 ALSTはALS進行の細粒度で解釈可能な予測が可能で、特に稀な症例と重篤な症例の区別が可能である。
論文参考訳（メタデータ） (2024-06-26T13:28:24Z)
DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文参考訳（メタデータ） (2023-09-07T13:43:46Z)
Automatic Diagnosis of Schizophrenia using EEG Signals and CNN-LSTM Models [9.14428455487933]
本研究は脳波信号を用いた統合失調症自動診断のための多種多様な知的ディープラーニング(DL)に基づく手法を提供する。その結果,従来の知的手法と比較した。
論文参考訳（メタデータ） (2021-09-02T17:45:50Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Contrastive Learning Improves Critical Event Prediction in COVID-19 Patients [19.419685256069666]
対照的損失 (CL) は非平衡 EHR データに対するクロスエントロピー損失 (CEL) の性能を改善することを示した。この研究は、シナイ山にあるIcahn School of MedicineのInstitutional Review Boardによって承認されています。
論文参考訳（メタデータ） (2021-01-11T16:41:13Z)
A Generative Adversarial Approach To ECG Synthesis And Denoising [0.0]
本稿では,GANを用いて現実的なECG信号を生成する手法を提案する。我々はこれらを利用してECG信号の最先端のフィルタリング品質を実現するデノナイズオートエンコーダを訓練し評価する。
論文参考訳（メタデータ） (2020-09-06T10:17:33Z)
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)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。