論文の概要: Detecting seizure onset and offset times using human intelligence: A critical-transitions-based approach

• arxiv url: http://arxiv.org/abs/2607.27105v1
• Date: Wed, 29 Jul 2026 16:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.741834
• Title: Detecting seizure onset and offset times using human intelligence: A critical-transitions-based approach
• Title（参考訳）: ヒューマンインテリジェンスによる発作発生時間とオフセット時間の検出--臨界遷移に基づくアプローチ
• Abstract要約: 臨界遷移の概念に基づく発作検出アルゴリズムを開発した。 性能がアルゴリズムのパラメータにどのように依存するかを実証し、異なるロジト記録セッションで異なることを示す。 このアルゴリズムは、この一般的な設定において高い性能を維持し、その汎用性を実証している。
• 参考スコア（独自算出の注目度）: 0.3518016233072557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most existing seizure detection algorithms require extensive pre-processing of the data and rely on heuristic or currently unexplainable machine learning approaches. These approaches often struggle with balancing detection sensitivity and specificity in the presence of variable seizure morphologies, interictal epileptiform discharges, and artefacts. Here, we consider an alternative approach: our seizure detection algorithm, which is based on the concept of critical transitions and overcomes the aforementioned limitations. Specifically, we perform a receiver-operating-characteristic analysis to quantify the performance of our algorithm in terms of its agreement with expert annotations of seizure onset and offset times in the voltage recordings of seizure activity in epileptic rodents with different seizure morphologies. We demonstrate how performance depends on algorithm parameters and varies across different rodent recording sessions. We determine the optimal set of algorithm parameters for each recording session, with near expert-level performance achieved in most cases. Finally, we derive a single general set of algorithm parameters applicable across all recording sessions. The algorithm maintains its high performance in this general setting, demonstrating its versatility, robustness across varying seizure morphologies, and potential to complement machine learning algorithms.
• Abstract（参考訳）: ほとんどの既存の発作検出アルゴリズムは、データの広範な前処理を必要とし、ヒューリスティックまたは現在説明不能な機械学習アプローチに依存している。 これらのアプローチは、様々な発作形態、間質性てんかん性放電、人工物の存在において、検出感度と特異性のバランスをとるのにしばしば苦労する。 ここでは、臨界遷移の概念に基づいて、上記の制限を克服した発作検出アルゴリズムについて検討する。 具体的には,発作形態の異なるてんかん性歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状歯状 性能がアルゴリズムのパラメータにどのように依存するかを実証し、異なるロジト記録セッションで異なることを示す。 記録セッション毎のアルゴリズムパラメータの最適セットを決定するが、ほとんどの場合、ほぼ専門家レベルの性能が達成される。 最後に、すべてのセッションで適用可能な1つの一般的なアルゴリズムパラメータを導出する。 このアルゴリズムは、この一般的な設定において高い性能を維持し、その汎用性、様々な発作形態をまたいだ堅牢性、そして機械学習アルゴリズムを補完する可能性を示す。

関連論文リスト

• Robustness of Algorithms for Causal Structure Learning to Hyperparameter Choice [2.3020018305241337]
  ハイパーパラメータチューニングは、どんなアルゴリズムでも最先端と予測性能の低さを区別することができる。 本稿では,ハイパーパラメータ選択が因果構造学習タスクに及ぼす影響について検討する。
  論文  参考訳（メタデータ） (2023-10-27T15:34:08Z)
• Multi-Dimensional Ability Diagnosis for Machine Learning Algorithms [88.93372675846123]
  本稿では,機械学習アルゴリズム評価のためのタスク非依存評価フレームワークCamillaを提案する。 認識診断の仮定とニューラルネットワークを用いて、各サンプルのアルゴリズム、サンプル、スキル間の複雑な相互作用を学習する。 我々の実験では、カミラはメートル法信頼性、ランクの整合性、ランクの安定性で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-07-14T03:15:56Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Scalable and Decentralized Algorithms for Anomaly Detection via Learning-Based Controlled Sensing [40.14838268469627]
  本研究では,ある時刻に観測対象のプロセスを選択する異常検出アルゴリズムを開発した。 検出アルゴリズムの目的は、所望値を超える精度で異常を識別することである。
  論文  参考訳（メタデータ） (2021-12-08T11:20:36Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• A Scalable Algorithm for Anomaly Detection via Learning-Based Controlled Sensing [37.78306297797]
  本研究では,ある時刻に観測対象のプロセスを選択する異常検出アルゴリズムを開発した。 検出アルゴリズムの目的は、所望の値を超える精度で決定に到達することである。 プロセス数に指数関数的複雑性を持つこのトピックの以前の作業とは異なり、このアルゴリズムはプロセス数の両方に計算とメモリを必要とする。
  論文  参考訳（メタデータ） (2021-05-12T17:46:01Z)
• A black-box adversarial attack for poisoning clustering [78.19784577498031]
  本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。 我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-09T18:19:31Z)
• Anomaly Detection Under Controlled Sensing Using Actor-Critic Reinforcement Learning [31.841289319809807]
  雑音性二元センサを用いたプロセス群における異常検出の問題点を考察する。 ノーマルプロセスに対応するノイズレスセンサ測定は0であり、その処理が異常であればその測定は1である。 本稿では,検出アルゴリズムの終了時期を動的に決定する逐次センサ選択ポリシーを提案する。
  論文  参考訳（メタデータ） (2020-05-26T22:53:17Z)
• Towards Understanding the Adversarial Vulnerability of Skeleton-based Action Recognition [133.35968094967626]
  骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。 ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。 異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
  論文  参考訳（メタデータ） (2020-05-14T17:12:52Z)
• Active Model Estimation in Markov Decision Processes [108.46146218973189]
  マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。 マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-03-06T16:17:24Z)

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。