文献

J-GLOBAL ID：202002226742196012   整理番号：20A2765028

異なる血圧レベル患者における脳構造解析のための自己ペース学習に基づくマルチカーネルKRR【JST・京大機械翻訳】

Self-paced learning based multi-kernel KRR for brain structure analysis in patients with different blood pressure levels

著者 (5件)： Peng Bo (Chinese Academy of Sciences,Suzhou Institute of Biomedical Engineering and Technology,Suzhou,China) ,  Yu Xinying (Chinese Academy of Sciences,Suzhou Institute of Biomedical Engineering and Technology,Suzhou,China) ,  Ma Xinwei (The Affiliated Suzhou Science & Technology Town Hospital of Nanjing Medical University,Suzhou,Jiangsu,China) ,  Zhu Jianbing (The Affiliated Suzhou Science & Technology Town Hospital of Nanjing Medical University,Suzhou,Jiangsu,China) ,  Dai Yakang (Chinese Academy of Sciences,Suzhou Institute of Biomedical Engineering and Technology,Suzhou,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CISP-BMEI  ページ： 169-174  発行年： 2020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： 種々の特徴は,高血圧における脳構造変化の分析のための豊富な情報を提供することができる。しかし,複数の特徴の抽出は複雑なデータ処理を含み,長時間を要する。単一特徴を作る方法は,複数の特徴として同じ診断効果を達成する方法の深い研究に値する。カーネルリッジ回帰(KRR)は,分類タスクのためのより速い学習速度と一般化能力を示し,それは,効率的な分類器を訓練するのを助けるために追加の特権情報(PI)として複数の特徴を統合する。これは試験段階で単一特徴のみを使用する。分類器効果をより良くするために,サンプル属性の影響を,特徴融合の過程において考慮する必要があった。本研究では,異なる血圧レベルの患者における脳構造変化の解析のための新しい自己容量学習に基づくマルチカーネルKRRフレームワークを構築した。特に,主な特徴として特徴の1タイプを取り上げ,特徴の残りを最初にマルチカーネルKRRに供給し,出力をPIとしてサービスした。これら2つの入力を最終KRR分類器に一緒に供給した。さらに,自己容量学習を導入して,マルチソースデータにおける雑音を低減し,それにより,モデルを貧弱な局所解に落下させ,分類器の一般化性能を改善した。実験結果は,提案方法が様々なタイプの特徴の情報を使用して,より良い分類性能を達成することができることを示した。これは,提案した自己容量に基づくKRRが,異なる血圧レベルの患者の脳構造を分析するのに役立つことを示唆する。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： 雑音 ,  構造解析 ,  *学習 ,  *血圧 ,  高血圧症 ,  データ処理
準シソーラス用語： *脳構造 ,  特徴融合 ,  リッジ回帰 , 【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 (8件)： 血圧 ,  患者 ,  脳構造 ,  解析 ,  自己 ,  学習 ,  マルチ ,  カーネル