文献

J-GLOBAL ID：201802244602000178   整理番号：18A1621464

時間成長ニューラルネットワークを用いた生体信号の周期時系列分類のための深層機械学習法【JST・京大機械翻訳】

A Deep Machine Learning Method for Classifying Cyclic Time Series of Biological Signals Using Time-Growing Neural Network

著者 (2件)： Gharehbaghi Arash (Department of Innovation, Design and Technology, Maelardalen University, Vaestera&s, Sweden) ,  Linden Maria (Department of Innovation, Design and Technology, Maelardalen University, Vaestera&s, Sweden)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 29  号： 9  ページ： 4102-4115  発行年： 2018年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
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： 本論文は,確率的時系列の周期的な内容を学習するための新しい方法を提示した:深い時間成長ニューラルネットワーク(DTGNN)。DTGNNは,強化された性能のために異なるレベルの学習において教師つきと教師なしの方法を結合する。それは,時系列の動的内容が効率的に保存される周期的時系列(CTS)を分類するために,マルチスケール学習構造によって採用される。本論文では,1対複数クラスアプリケーションに対する分類法の設計パラメータを見出すための系統的手法を提案した。定量的および定性的方法の両方において,構造リスクを評価するための新しい検証法も提案した。分類器の性能に及ぼすDTGNNの影響を,異なる医療応用からのCTSの異なるセットを用いた反復ランダムサブサンプリングにより統計的に検証した。検証には,脳波信号の108の記録,筋電図信号の90の記録,心臓音信号の130の記録,および呼吸音信号の50の記録から成る4つの医学データベースが含まれている。統計的検証の結果は,DTGNNが分類の性能を著しく改善し,また最適構造リスクを示すことを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 心音 ,  筋電図 ,  応用プログラム ,  *学習 ,  *深層 ,  *ニューラルネットワーク ,  *機械学習 ,  *生体信号 ,  データベース
準シソーラス用語： 呼吸音 ,  脳波信号 ,  サブサンプリング ,  医療応用 ,  設計変数 ,  マルチスケール , 【Automatic Indexing@JST】

分類 (3件)： 信号理論  (ND02020G) ,  人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (8件)： 成長 ,  ニューラルネットワーク ,  生体信号 ,  周期 ,  時系列 ,  分類 ,  深層 ,  機械学習