論文の概要: Detecting Spike Wave Discharges (SWD) using 1-dimensional Residual UNet
- arxiv url: http://arxiv.org/abs/2601.00459v1
- Date: Thu, 01 Jan 2026 19:58:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-05 15:04:33.460005
- Title: Detecting Spike Wave Discharges (SWD) using 1-dimensional Residual UNet
- Title（参考訳）: 1次元残留UNetを用いたスパイク波放電(SWD)の検出
- Authors: Saurav Sengupta, Scott Kilianski, Suchetha Sharma, Sakina Lashkeri, Ashley McHugh, Mark Beenhakker, Donald E. Brown,
- Abstract要約: スパイク波放電(SWD)は、不在発作の電顕的特徴である。
脳波記録は数週間から数ヶ月にわたって継続的に記録される。
関連するEEGイベントを自動的にラベル付けする方法は、手作業の負荷を減らす。
- 参考スコア（独自算出の注目度）: 0.41336690738602533
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The manual labeling of events in electroencephalography (EEG) records is time-consuming. This is especially true when EEG recordings are taken continuously over weeks to months. Therefore, a method to automatically label pertinent EEG events reduces the manual workload. Spike wave discharges (SWD), which are the electrographic hallmark of absence seizures, are EEG events that are often labeled manually. While some previous studies have utilized machine learning to automatically segment and classify EEG signals like SWDs, they can be improved. Here we compare the performance of 14 machine learning classifiers on our own manually annotated dataset of 961 hours of EEG recordings from C3H/HeJ mice, including 22,637 labeled SWDs. We find that a 1D UNet performs best for labeling SWDs in this dataset. We also improve the 1D UNet by augmenting our training data and determine that scaling showed the greatest benefit of all augmentation procedures applied. We then compare the 1D UNet with data augmentation, AugUNet1D, against a recently published time- and frequency-based algorithmic approach called "Twin Peaks". AugUNet1D showed superior performance and detected events with more similar features to the SWDs labeled manually. AugUNet1D, pretrained on our manually annotated data or untrained, is made public for others users.
- Abstract（参考訳）: 脳波記録(EEG)における出来事のマニュアルラベリングは時間を要する。
脳波記録が数週間から数ヶ月にわたって連続的に記録される場合、これは特に当てはまります。
したがって、関連するEEGイベントを自動的にラベル付けする方法は、手作業の負荷を減らすことができる。
スパイク波放電(英: Spike wave discharges、SWD)は、しばしば手動でラベル付けされる脳波現象である。
過去の研究では、機械学習を利用してSWDのような脳波信号を自動的に分類し分類しているが、改善できる。
ここでは、C3H/HeJマウスの脳波記録を手動で記録した14の機械学習分類器のパフォーマンスを比較し、22,637個のSWDをラベル付けした。
1D UNetは、このデータセットでSWDのラベル付けに最適であることがわかった。
また,トレーニングデータの増大による1D UNetの改善も行い,スケーリングが適用されたすべての拡張手順の最大のメリットを示していると判断した。
次に、1D UNetをデータ拡張であるAugUNet1Dと比較し、最近発表された"Twin Peaks"と呼ばれる時間および周波数ベースのアルゴリズムアプローチと比較する。
AugUNet1Dは優れた性能を示し、手動でラベル付けされたSWDに類似した特徴を持つイベントを検出した。
AugUNet1Dは、手動でアノテートされたデータや未トレーニングのデータに基づいて事前訓練され、他のユーザに公開されています。
関連論文リスト
- PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。
PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-06T16:20:25Z) - Pre-Training Graph Contrastive Masked Autoencoders are Strong Distillers for EEG [9.707230417893582]
高密度・低密度の脳波データとともに,ラベル付き・ラベル付のギャップを埋めるためのEEG-DisGCMAEを提案する。
提案手法は,グラフマスク付きオートエンコーダ事前学習と,グラフコントラスト事前学習を統合した。
2つの臨床脳波データセットを用いて4つの分類課題における脳波-DisGCMAEの有効性を検証した。
論文 参考訳（メタデータ） (2024-11-28T15:53:32Z) - Designing Pre-training Datasets from Unlabeled Data for EEG Classification with Transformers [0.0]
本稿では,未ラベル脳波(EEG)データからラベル付きデータセットを設計する方法を提案する。
これらは、脳波信号の表現を学習するために、トランスフォーマーを事前訓練するために使用できる。
本手法を,テンプル大学清水検出コーパスのてんかん発作予知タスクで検証した。
論文 参考訳（メタデータ） (2024-09-23T13:26:13Z) - Large Brain Model for Learning Generic Representations with Tremendous EEG Data in BCI [6.926908480247951]
大型脳モデル(LaBraM)と呼ばれる脳波の統一基盤モデルを提案する。
LaBraMは、EEG信号をEEGチャネルパッチにセグメント化することで、データセット間の学習を可能にする。
次に、マスクされたEEGチャネルパッチの元のニューラルコードを予測することにより、ニューラルトランスフォーマーを事前訓練する。
論文 参考訳（メタデータ） (2024-05-29T05:08:16Z) - TEE4EHR: Transformer Event Encoder for Better Representation Learning in
Electronic Health Records [4.385313487148474]
電子健康記録(EHR)における時系列の非規則サンプリングは、機械学習モデルを開発する上での大きな課題の1つである。
本稿では,EHRにおける実験結果のパターンを符号化する点過程損失を有する変圧器イベントエンコーダ(TEE)を提案する。
自己教師付き学習アプローチでは、TEEは既存の注目ベースのディープニューラルネットワークと共同で学習される。
論文 参考訳（メタデータ） (2024-02-09T12:19:06Z) - 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) - Self-supervised EEG Representation Learning for Automatic Sleep Staging [26.560516415840965]
脳波信号表現学習のための自己教師型モデルContrast with the World Representation (ContraWR)を提案する。
ContraWRは、実世界の3つのEEGデータセットで評価される。
ContraWRは、トレーニングラベルが少ないと教師あり学習に勝る。
論文 参考訳（メタデータ） (2021-10-27T04:17:27Z) - Manual Evaluation Matters: Reviewing Test Protocols of Distantly
Supervised Relation Extraction [61.48964753725744]
2つのDS-REデータセット(NYT10とWiki20)に対して手動でアノテートしたテストセットを構築し、いくつかの競合モデルを徹底的に評価する。
その結果,手動による評価は,自動的な評価とは全く異なる結論を示すことがわかった。
論文 参考訳（メタデータ） (2021-05-20T06:55:40Z) - Self-Supervised Person Detection in 2D Range Data using a Calibrated
Camera [83.31666463259849]
2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。
擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。
私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
論文 参考訳（メタデータ） (2020-12-16T12:10:04Z) - 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) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
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。