論文の概要: EASELAN: An Open-Source Framework for Multimodal Biosignal Annotation and Data Management

• arxiv url: http://arxiv.org/abs/2510.15767v1
• Date: Fri, 17 Oct 2025 15:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.695406
• Title: EASELAN: An Open-Source Framework for Multimodal Biosignal Annotation and Data Management
• Title（参考訳）: EASELAN: マルチモーダルなバイオ署名アノテーションとデータ管理のためのオープンソースフレームワーク
• Authors: Rathi Adarshi Rammohan, Moritz Meier, Dennis Küster, Tanja Schultz,
• Abstract要約: 機械学習と適応認知システムの最近の進歩は、大規模で豊富な注釈付きマルチモーダルデータの需要を増大させている。 本稿では,アノテーションを改善するためのEASELANアノテーションフレームワークを紹介する。 アノテーションパイプラインのすべてのステージをサポートするために、新しいコンポーネントを追加することで、堅牢なELANツールの上に構築されている。
• 参考スコア（独自算出の注目度）: 15.768471620414564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in machine learning and adaptive cognitive systems are driving a growing demand for large and richly annotated multimodal data. A prominent example of this trend are fusion models, which increasingly incorporate multiple biosignals in addition to traditional audiovisual channels. This paper introduces the EASELAN annotation framework to improve annotation workflows designed to address the resulting rising complexity of multimodal and biosignals datasets. It builds on the robust ELAN tool by adding new components tailored to support all stages of the annotation pipeline: From streamlining the preparation of annotation files to setting up additional channels, integrated version control with GitHub, and simplified post-processing. EASELAN delivers a seamless workflow designed to integrate biosignals and facilitate rich annotations to be readily exported for further analyses and machine learning-supported model training. The EASELAN framework is successfully applied to a high-dimensional biosignals collection initiative on human everyday activities (here, table setting) for cognitive robots within the DFG-funded Collaborative Research Center 1320 Everyday Activity Science and Engineering (EASE). In this paper we discuss the opportunities, limitations, and lessons learned when using EASELAN for this initiative. To foster research on biosignal collection, annotation, and processing, the code of EASELAN is publicly available(https://github.com/cognitive-systems-lab/easelan), along with the EASELAN-supported fully annotated Table Setting Database.
• Abstract（参考訳）: 機械学習と適応認知システムの最近の進歩は、大規模で豊富な注釈付きマルチモーダルデータの需要を増大させている。 この傾向の顕著な例は融合モデルであり、従来のオーディオヴィジュアルチャンネルに加えて、複数の生体信号が組み込まれている。 本稿では,マルチモーダルおよび生体信号データセットの複雑さの増大に対応するために設計されたアノテーションワークフローを改善するためのEASELANアノテーションフレームワークを紹介する。 アノテーションパイプラインのすべてのステージをサポートするように調整された新しいコンポーネントを追加することで、堅牢なELANツールの上に構築されている。 EASELANは、バイオシグナルの統合とリッチアノテーションのエクスポートを容易にするために設計されたシームレスなワークフローを提供する。 EASELAN フレームワークは、DFG が支援するコラボレーション研究センター 1320 Everyday Activity Science and Engineering (EASE) 内の認知ロボットのための、人間の日常活動(以下テーブル設定)に関する高次元バイオシグナル収集イニシアチブに成功している。 本稿では,このイニシアチブにEASELANを使用した際に学んだ機会,限界,教訓について論じる。 EASELANのコード(https://github.com/cognitive-systems-lab/easelan)とEASELANがサポートする完全に注釈付きテーブル設定データベースが公開されている。

関連論文リスト

• ECHO: Toward Contextual Seq2Seq Paradigms in Large EEG Models [28.18721116424753]
  大規模脳波モデル(LEM)は、エンコーダ中心のアーキテクチャを大規模未ラベルデータに事前訓練し、普遍的な表現を抽出することでこの問題に対処する。 脳波モデリングをシーケンス・ツー・シーケンス・ラーニングとして再構成する新しいデコーダ中心のLEMパラダイムであるECHOを導入する。 ECHOは、最先端のシングルタスクEMをマルチタスク設定で一貫して上回り、より優れた一般化と適応性を示す。
  論文  参考訳（メタデータ） (2025-09-26T16:37:34Z)
• Sample-efficient Integration of New Modalities into Large Language Models [48.81776019848246]
  マルチモーダル基礎モデルはいくつかのモダリティを処理できる。 本稿では,大規模言語モデルへのサンプル効率改善手法を提案する。 SEMIは、新しいモダリティを数秒で統合することで、サンプル効率を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-09-04T18:41:59Z)
• Large Action Models: From Inception to Implementation [51.81485642442344]
  大規模アクションモデル(LAM)は動的環境内でのアクション生成と実行のために設計されている。 LAMは、AIを受動的言語理解からアクティブなタスク完了に変換する可能性を秘めている。 創発から展開まで,LAMを体系的に開発するための総合的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-13T11:19:56Z)
• Generation of Asset Administration Shell with Large Language Model Agents: Toward Semantic Interoperability in Digital Twins in the Context of Industry 4.0 [0.6749750044497732]
  本研究は,デジタル双生児におけるセマンティック・インターオペラビリティを実現するための新しいアプローチを提案する。 業界 4.0 におけるデジタル双対モデルとしてアセット管理シェル (AAS) の作成を支援する。
  論文  参考訳（メタデータ） (2024-03-25T21:37:30Z)
• EDALearn: A Comprehensive RTL-to-Signoff EDA Benchmark for Democratized and Reproducible ML for EDA Research [7.754108359835169]
  我々はEDALearnを紹介した。EDALearnは、EDAの機械学習タスクに特化した、最初の包括的なオープンソースベンチマークスイートである。 このベンチマークスイートは、合成から物理実装までのエンドツーエンドのフローを示し、さまざまなステージにわたるデータ収集を強化する。 私たちの貢献はML-EDAドメインのさらなる進歩を促進することを目的としています。
  論文  参考訳（メタデータ） (2023-12-04T06:51:46Z)
• A Multi-Format Transfer Learning Model for Event Argument Extraction via Variational Information Bottleneck [68.61583160269664]
  イベント引数抽出(EAE)は、テキストから所定の役割を持つ引数を抽出することを目的としている。 変動情報のボトルネックを考慮したマルチフォーマット変換学習モデルを提案する。 3つのベンチマークデータセットに対して広範な実験を行い、EAE上での新たな最先端性能を得る。
  論文  参考訳（メタデータ） (2022-08-27T13:52:01Z)
• MONAI Label: A framework for AI-assisted Interactive Labeling of 3D Medical Images [49.664220687980006]
  注釈付きデータセットの欠如は、タスク固有の教師付き機械学習モデルをトレーニングする上で、大きなボトルネックとなる。 本稿では,人工知能(AI)モデルに基づくアプリケーション開発を支援する,フリーかつオープンソースなフレームワークであるmonAI Labelを紹介する。
  論文  参考訳（メタデータ） (2022-03-23T12:33:11Z)
• A Novel Micro-service Based Platform for Composition, Deployment and Execution of BDA Applications [0.0]
  ALIDAは、BDAアプリケーション開発者とデータアナリストの両方がそれと対話できる統一されたプラットフォームの実現を目指している。 開発者は、公開APIおよび/またはWebユーザインターフェイスを介して、新しいBDAアプリケーションを登録することができる。 データアナリストは、提供されたBDAアプリケーションを使用して、ダッシュボードのユーザインターフェースを通じてバッチ/ストリームを作成して、1つ以上のソースから結果を操作し、視覚化することができる。
  論文  参考訳（メタデータ） (2022-02-06T20:36:17Z)

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。