文献

J-GLOBAL ID：201802222850685814   整理番号：18A0203802

EEG信号クラスタリングのための学ぶ埋め込み空間【Powered by NICT】

A learned embedding space for EEG signal clustering

著者 (3件)： Thiyagarajan R. (The Cooper Union, New York, NY, USA) ,  Curro C. (The Cooper Union, New York, NY, USA) ,  Keene S. (The Cooper Union, New York, NY, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SPMB  ページ： 1-4  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 医療データの組織化と構造化の最近の進歩にもかかわらず,電子医療記録(EMR)は,しばしばの比較が困難であることが多い構造化されていない生データ,時間的に制約された測定,多チャネル信号データと画像データとそれらの大きさと変動に起因する大量のコントラストを含むことができる。データ間のユークリッド距離は,類似性測度として示し,EEGデータをマッピングする相対的に圧縮されたn次元空間にこれを緩和することができる概念システムの証明を提示した。三重項ベースの損失関数を用いた深層ニューラルネットワークマッピングを最適化した。このタイプのシステムは,医療専門家EEGデータの問い合わせや,探索で用いることができた。このクラスタリング手法は,データの意味のある表現を学習することを検証するために,出力にKNN分類器を適用した。寺院大学によって提供された六クラスTUH EEGコホートデータセットに関するニューラルネットワーク起源埋込みで動作する58.6%の分類精度を達成した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 損失関数 ,  *クラスタ化 ,  コントラスト ,  構造形成 ,  類似性 ,  電子カルテ ,  ニューラルネットワーク ,  測度 ,  医療従事者 ,  病歴
準シソーラス用語： 分類精度 ,  クラスタリング法 ,  ディープニューラルネットワーク ,  Euclid距離 ,  画像データ ,  マルチチャネル , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  データ保護  (JD01020V)

タイトルに関連する用語 (3件)： EEG信号 ,  クラスタリング ,  埋め込み