文献

J-GLOBAL ID：201902259259094229   整理番号：19A2401222

深層学習のリカレントニューラルネットワークによる拡散相関分光法のための信号処理【JST・京大機械翻訳】

Signal Processing for Diffuse Correlation Spectroscopy with Recurrent Neural Network of Deep Learning

著者 (6件)： Zhang Peng (North University of China) ,  Gui Zhiguo (North University of China) ,  Hao Ling (North University of China) ,  Zhang Xiaojuan (North University of China) ,  Liu Caicai (North University of China) ,  Shang Yu (North University of China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： BigDataService  ページ： 328-332  発行年： 2019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： 拡散相関分光法(DCS)は組織血流測定のための新しく開発された近赤外技術である。任意形状の不均一組織における血流指数(BFI)を抽出するためのN次線形(NL)アルゴリズムを提案した。NLアルゴリズムに含まれる重要な手順は線形回帰であり,それによりDCSデータが雑音除去される。本研究では,線形回帰を実行するために,深い学習の再帰ニューラルネットワーク(RNN)回帰モデルを提案した。モデル評価のために,異なるソース検出器分離(すなわち,1.5,2.0,2.5および3.0cm)におけるDCSデータを計算機シミュレーションにより生成し,RNNにより処理し,サポートベクトル回帰(SVR)を以前に提案した。結果は,RNN回帰モデルの精度が3.0cmのソース検出器分離においてSVRアプローチと同じレベルであることを示した。しかし,RNNモデルはSVR法よりも優れたロバスト性を示した。本研究から得られた結果は,DCS血流測定のための信号処理を改善するであろう。Copyright 2019 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： 雑音除去 ,  *信号処理 ,  *ニューラルネットワーク ,  計算機シミュレーション ,  血流 ,  線形性 ,  近赤外線 ,  アルゴリズム ,  検出器 ,  回帰モデル
準シソーラス用語： サポートベクトル回帰 ,  線形回帰 ,  血流測定 ,  *リカレントニューラルネットワーク ,  *深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 深層学習 ,  リカレントニューラルネットワーク ,  拡散 ,  相関分光法