発作検出のための個々の新生児データを用いたアンサンブル学習【JST・京大機械翻訳】

Borovac Ana; Gudmundsson Steinn; Thorvardsson Gardar; Moghadam Saeed M.; Nevalainen Paeivi; Stevenson Nathan; Vanhatalo Sampsa; Runarsson Thomas P.

プレプリント

J-GLOBAL ID：202202205578709946 整理番号：22P0332331

発作検出のための個々の新生児データを用いたアンサンブル学習【JST・京大機械翻訳】

Ensemble learning using individual neonatal data for seizure detection

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (8件)： , , , , , , ,
資料名：
発行年： 2022年04月11日プレプリントサーバーでの情報更新日： 2022年08月18日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

施設間の共有医療データは,施設内のデータ保護法及び公式手順により実際に困難である。したがって,ほとんどの既存のアルゴリズムは,予測精度に有害である可能性がある比較的小さな脳波(EEG)データセットで訓練される。本研究では,個人機関におけるデータを表すディスジョイント集合に公開利用可能なデータセットを分割することにより,データが共有できない場合の事例をシミュレーションした。各施設で(局所)検出器を訓練し,個々の予測を1つの最終予測に集約することを提案する。4つの凝集スキーム,すなわち,大多数投票,平均,加重平均およびDawid-Skene法を比較した。本方法を,EEGチャネルの部分集合のみを用いて独立データセットで検証した。十分な量のデータが各施設で利用できるとき,アンサンブルはすべてのデータで訓練された単一検出器に匹敵する精度に達する。重み付き平均凝集スキームは最良の性能を示し,全ての利用可能なデータで訓練された単一検出器の局所検出器アプローチ性能において,Dawid-Skene法によりわずかに性能が優れていた。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , 【Automatic Indexing@JST】

神経系の診断

, ,

前のページに戻る