Модели машинного обучения для автоматического выявления новых функциональных паттернов в многомерных временных рядах

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Предлагается метод и конкретная архитектура модели машинного обучения, которая помогает исследователям в различных областях автоматически выявлять функциональные закономерности в многомерных временных рядах из серии экспериментов. Исходная задача была формализована в терминах машинного обучения, поэтому у исследователей нет необходимости быть профессионалами в рассматриваемой предметной области. Эффективность метода была продемонстрирована в области нейрофизиологии для данных, где уже известно о существовании приведенного паттерна P300. Для дальнейших исследований представляет интерес обобщить предложенный метод на другие области, например данные с датчиков на производственных линиях или банковские транзакции.

Об авторах

А. И. Майсурадзе

МГУ им. М.В. Ломоносова

Автор, ответственный за переписку.
Email: maysuradze@cs.msu.ru
Россия, Москва

Л. С. Сидоров

МГУ им. М.В. Ломоносова

Email: leon.sidorov@gmail.com
Россия, Москва

Список литературы

  1. Blankertz B., Muller K.R., Krusienski D.J., Schalk G., Wolpaw J.R., Schlogl A., et al. The BCI Competition iii: Validating Alternative Approaches to Actual BCI Problems // IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2006. V. 14 (2). P. 153–159.
  2. Oktay O., Schlemper J., Folgoc L.L., Lee M., Heinrich M., Misawa K. et. al. Attention U-Net: Learning Where to Look for the Pancreas // arXiv preprint arXiv:1804.03999, 2018.
  3. Lee H., Yune S., Mansouri M., Kim M., Tajmir S.H., Guerrier C.E. et. al. An Explainable Deep-learning Algorithm for the Detection of Acute Intracranial Haemorrhage from Small Datasets // Nature Biomedical Engineering. 2019. V. 3 (3). P. 173–182.
  4. Ardila D., Kiraly A.P., Bharadwaj S., Choi B., Reicher J.J., Peng L. et. al. End-to-end Lung Cancer Screening with Three-dimensional Deep Learning on Low-dose Chest Computed Tomography // Nature Medicine. 2019. V. 25 (6). P. 954–961.
  5. Sundararajan M., Taly A., Yan Q. Axiomatic Attribution for Deep Networks // Intern. Conf. on Machine Learning. PMLR. Sydney, Australia, 2017. P. 3319–3328.
  6. Caicedo-Torres W., Gutierrez J. ISeeU: Visually Interpretable Deep Learning for Mortality Prediction Inside the ICU // J. Biomedical Informatics. 2019. V. 98. P. 103269.
  7. Guo H., Kruger U., Wang G., Kalra M.K., Yan P. Knowledge-based Analysis for Mortality Prediction from CT Images // IEEE Biomedical and Health Informatics. 2019. V. 24 (2). P. 457–464.
  8. Van der Maaten L., Hinton G. Visualizing Data Using t-SNE // J. Machine Learning Research. 2008. V. 9(11).
  9. Cecotti H., Graser A. Convolutional Neural Networks for P300 Detection with Application to Brain-computer Interfaces // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2010. V. 33 (3). P. 433–445.
  10. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L. et al. Attention is All you Need // Advances in Neural Information Processing Systems. 2017. V. 30.
  11. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet Classification with Deep Convolutional Neural Networks // Advances in Neural Information Processing Systems. 2012. V. 25.
  12. Squires N.K., Squires K.C., Hillyard S.A. Two Varieties of Long-latency Positive Waves Evoked by Unpredictable Auditory Stimuli in Man // Electroencephalography and Clinical Neurophysiology. 1975. V. 38 (4). P. 387–401.
  13. Schalk G., McFarland D.J., Hinterberger T., Birbaumer N., Wolpaw J.R. BCI2000: A General-purpose Brain-computer Interface (BCI) System // IEEE Transactions on Biomedical Engineering. 2004. V. 51 (6). P. 1034–1043.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2024