文献

J-GLOBAL ID：202002224643168590   整理番号：20A0814034

敗血症性ショックの早期予測のための多層顔表現学習【JST・京大機械翻訳】

Multi-layer Facial Representation Learning for Early Prediction of Septic Shock

著者 (3件)： Lin Chen (IBM Research,Yorktown Heights,NY,USA) ,  Ivy Julie (North Carolina State University,The Department of ISE,Raleigh,NC,USA) ,  Chi Min (North Carolina State University,The Department of Computer Science,Raleigh,NC,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： Big Data  ページ： 840-849  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： 再帰ニューラルネットワーク(RNN)と畳込みニューラルネットワーク(CNN)は,電子健康記録(EHRs)をマイニングするための最先端のアプローチになった。一般的に,RNNは隠れ状態の時系列として特徴間の時間依存性を抽出するが,CNNは特徴マップの集合として特徴間の局所パターンを要約する。多くの研究は,入力上にCNNを有するニューラルネットワーク層のスタックを用いることによって,それらの相補的効果を活用し,次に出力のためのRNN層が続いた。しかしながら,これらの2つのタイプのニューラルネットワークによって学習された特徴表現は,しばしば視覚化されて,統一された方法で解釈されることが困難である。本研究では,患者の健康状態に基づいて感情表現を進化させている顔表現を通して,抽出された時間的関係と局所パターンを統一的かつ体系的に表現する一般的なフレームワークを提案した。特徴表現のこの形式は,EHRsを可視化する可能性を改善するだけでなく,敗血症性ショックの初期予測に関する著者らの下流作業にも役立つ。より具体的には,提案フレームワークは,敗血症ショック早期予測のための様々な深い学習モデルを含むすべての他のベースラインモデルを一貫して実行することを示した。Copyright 2020 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： 表情 ,  多層 ,  基準線 ,  時間依存性 ,  学習モデル ,  ニューラルネットワーク ,  *学習 ,  敗血症性ショック ,  可視化 ,  電子カルテ ,  病歴
準シソーラス用語： 感情表現 ,  健康状態 ,  特徴表現 ,  特徴マップ ,  畳込みニューラルネットワーク , 【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 (6件)： 敗血症性ショック ,  早期 ,  予測 ,  多層 ,  顔表現 ,  学習