多重スケール特徴量統合のためのショートカットを備えた深層3 次元畳み込みエンコーダネットワークの多発 性硬化症病変セグメンテーション

Deep 3D Convolutional Encoder Networks With Shortcuts for Multiscale Feature Integration Applied to Multiple Sclerosis Lesion Segmentation
IEEE transactions on medical imaging, vol. 35, no.5, pp. 1229-1239, 2016
20171007_ttamaki

我々は,ショートカット接続を有する深層3 次元畳み込みエンコーダーネットワークに基づく新規のセグメンテーション手法を提案し,それを磁気共鳴画像における多発性硬化症(MS)病変のセグメント化に適用する.我々のモデルは,2 つの相互接続された経路,すなわち,より抽象的で高レベルの画像特徴を学習する畳み込み経路と,ボクセルレベルでの最終的なセグメンテーションを予測するデコンボリューション経路とからなるニューラルネットワークである.特徴抽出および予測経路の共同訓練は,画像タイプおよびセグメンテーションタスクの任意の所与の組み合わせに対する精度のために最適化された異なるスケールでの特徴の自動学習を可能にする.さらに,2 つの経路間のショートカット接続により,高レベルと低レベルのフィーチャを統合することができ,広範囲のサイズにわたる病変のセグメンテーションが可能となる.2 つの公的に利用可能なデータセット(MICCAI 2008 およびISBI 2015 チャレンジ)について我々の方法を評価した結果,我々の手法は,トレーニングに利用可能な比較的小規模のデータのみであってもトップランクの最先端の方法と同等に機能することが示された.さらに,本手法を,MS 臨床試験からの大量のデータセットを使って,自由に入手可能で広く使用されている5 つのMS 病変セグメンテーション法(EMS、LST-LPA、LST-LGA、Lesion-TOADS およびSLS)と比較した.その結果は我々の手法が広範囲の病変サイズにわたってこれらの他の手法より一貫して優れていることを示している.

機械学習を用いた視線追跡データのイベント検出

Using machine learning to detect events in eye-tracking data
Behavior Research Methods, pp1–22, 2017

イベント検出は、眼球運動データ解析の難しい段階である.現在のイベント検出方法の主な欠点として,目の動きデータの質に基づいてパラメータを調整しなければならないことが挙げられる.
本実験では,注視,サッカード,またはその他の眼球運動イベントに属する生の視線サンプルの完全自動化された分類を,機械学習アプローチを用いて達成できることを示す.既に手作業またはアルゴリズムで検出された事象は,ユーザがパラメータを設定する必要なしに,他のデータの同様の分類を生成するように分類器を訓練するために使用することが可能である.本研究では,注視,サッカード,およびサッカード後の振動(PSO)の検出のためのランダム森林機械学習技術の適用を検討する.目の動き分類アルゴリズムを用いるアプリケーションに提案された方法の実用性を示すために,この方法を眼球運動駆動のバイオメトリックアプリケーションに用いる例を提供する.我々は,機械学習技術が現在の最先端の事象検出アルゴリズムと比較して優れた検出をもたらし,手作業コーディングの性能に達することができると結論付けた.

脳波を用いた感情認識のための特徴抽出と選択

Feature Extraction and Selection for Emotion
Recognition from EEG
IEEE Transactions on Affective Computing, Vol.5, No.3, pp.327-339, 2014
20170510_hwada

EEG 信号からの感情認識は,人間と機械との相互作用における重要な要素と考えられるユーザーの内部状態を
直接評価することを可能とする.特徴抽出のために多くの方法が研究されており,神経科学的知見に基づいた適切
な特徴と電極位置の選択が行われている.しかし,感情認識に対する適合性は,少量の別個の特徴セットやデー
タセットを用いて評価されている.大きな制約として機能の系統的な比較がないことが挙げられる.そこで,我々
は33 の研究に基づいて,脳波から感情認識のための特徴抽出法を検討する.自己記録データセット上の特徴選択
のための機械学習技術を用いて,これらの特徴を比較する評価を行う.結果は,異なる特徴選択の実行,選択され
た特徴量,および電極位置の選択に関して掲示した.多変量法により選択された特徴は,単変量法よりわずかに
優れていた.高度な特徴抽出技術は,一般的に使用されるスペクトルパワーバンドよりも利点を有することが分
かった.結果は頭頂葉および,中心から頭頂葉の上の位置を優先することを示唆した.

特徴選択のための進化的計算手法の調査

A Survey on Evolutionary Computation Approaches to Feature Selection
IEEE Transactions on Evolutionary Computation, Vol.20, No.4, pp.606-626, 2016
20170424harada

特徴選択は,データの次元を減らし,分類アルゴリズムといったアルゴリズムの性能を向上させるために,データマイニングおよび機械学習において重要な課題である.
しかし,特徴選択は主に探索空間が膨大なために困難な課題である.
特徴選択問題を解決するために,様々な方法が適用されている.
そのうち近年では,進化的計算技術が注目され,成功を収めている.
しかし,代替手法の長所と短所に関する包括的なガイドラインは存在しない.
これは分離・断片化された分野に対して,最終的に性能を改善しアプリケーションの成功させる機会の損失につながる.
本稿では,特徴選択のための進化的計算技術に関する最先端の内容について包括的に述べ,様々なアルゴリズムの貢献を特定する.