文献

J-GLOBAL ID：202002281562790679   整理番号：20A2259547

オーバーフィットを軽減するEEG発作検出のための深層ニューラルネットワークの正則化【JST・京大機械翻訳】

Regularization of Deep Neural Networks for EEG Seizure Detection to Mitigate Overfitting

著者 (4件)： Saqib Mohammed (Georgia Institute of Technology) ,  Zhu Yuanda (Georgia Institute of Technology) ,  Wang May (Georgia Institute of Technology) ,  Beaulieu-Jones Brett (Harvard Department of Biomedical Informatics)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： COMPSAC  ページ： 664-673  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： 発作検出は,EEG記録に作用する臨床医のワークフローを単純化するための主要な目標である。現在のアルゴリズムは,分類器に既に提示された患者に対して,発作を効果的に検出することができる。これらのアルゴリズムは,適切な正則化なしに初期訓練集合外で一般化し,より大きな母集団から発作を捉えることができない。世界最大の公共EEG発作コーパスからの患者内データセットにおける発作検出のためのデータ処理パイプラインを提案した。チャネルと信号振幅の正確な組合せに頼るように,ネットワークを強制することにより,空間およびセッション不変特徴を作成し,代わりに,発作検出に対する依存性を学習した。比較のため,深い学習モデルに関する追加の正則化のないベースライン結果は,0.544のF1スコアを達成した。チャンネルの他の組合せに一般化するネットワークを強制するために,各ミニバッチ上のチャネルのランダム再配列を用いて,F1スコアを0.629に増加させた。小さな範囲内のデータのランダム再尺度を用いて,著者らはさらに,著者らの最良モデルに対してF1スコアを0.651に増加させた。さらに,敵対マルチタスク学習を適用し,同様の結果を得た。セッションと患者の特異的依存性が,深層ニューラルネットワークの過適合を引き起こし,最も過剰適合モデルは,提示したEEGデータのみに特異的特徴を学習することを観察した。したがって,深層学習が患者とセッション特異的特徴を学習しない正則化のネットワークを作成した。著者らは,患者内発作検出を正則化するために,ランダム再配列,ランダム再尺度,および敵対的マルチタスク学習を使用し,ベースライン研究と比較して0.86に対する感度を増加させた。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： アルゴリズム ,  学習モデル ,  簡素化 ,  *ネットワーク ,  脳波 ,  データ処理 ,  *正則化 ,  母集団 ,  チャネル ,  *発作 ,  コーパス ,  ワークフロー
準シソーラス用語： マルチタスク学習 ,  深層学習 ,  *ディープ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 (5件)： フィット ,  EEG ,  発作 ,  深層ニューラルネットワーク ,  正則化