Scale Adaptive Local Binary Pattern を用いた皮膚鏡検査におけるメラノーマの検出

Detecting Melanoma in Dermoscopy Images Using Scale Adaptive Local Binary Pattern
IEEE Transactions on Biomedical Engineering  Vol.59 No.10 pp.2893-2904 2012
20170914_nishida

コンピュータビジョンの分野における近年の進歩は,患者の黒色腫の検出のための様々な診断支援システムの開発につながっている.テクスチャと色は黒色腫の検出に不可欠な2 つの基本的な視覚的特徴と考えられている.本論文では,皮膚鏡検査画像の分類にテクスチャと色の特徴を組み合わせて使用することを提案する.テクスチャ特徴量は,各ピクセルに対してスケール適応型パターンを抽出するLBP からなり,続いて,ヒストグラムを構築した.色特徴量抽出のために,我々は標準HSV ヒストグラムを使用した.抽出された特徴は連結されて画像の特徴ベクトルを形成し,続いてSupport Vector Machine(SVM)を用いて分類される.実験は,提案された特徴セットが他の最先端の選択肢と比較して良好な分類性能を示すことを示す.

遺伝的アルゴリズムによる,顔認識アプリケーションのためのconvolutional neural networkの構造最適化

Genetic algorithm-optimised structure of convolutional neural network for face recognition applications
IET Computer Vision, vol.10, no.6, pp.559-566, 2016
20161103_ttamaki

バイオメトリックとコンピュータビジョンのアプリケーションにおいて,顔認識のための適切な手法を提案す ることは未だに困難な課題である.いくつかの信頼性の高いシステムは比較的制御された条件のもとで導入され たが,その認識率は一般的な条件で満足のいくものではない.これは特にポーズや照明,そして表情の変化があ るときに当てはまる.これらの問題を軽減するために,CNNとSVMの両方の優位性をもったハイブリッド顔認 識システムが提案されている.この目的のために,まず,遺伝的アルゴリズムをCNNの最適な構造を見つけるた めに用いる.そして,そのシステムの性能はCNNの最終層とアンサンブルSVMを置換することにより改善され る.最後に,誤り訂正の概念を用いて決定境界が決まる.学習可能な特徴抽出器として,CNNがポーズや照明の 変化を伴う顔認識を可能とする柔軟な認識システムを提供する.シミュレーション結果はシステムが良好な識別 率を達成し,表情,重なり,ノイズそして照明の条件の変動に対してロバストであることを示している.

機械学習を用いた EEG による感情状態の分類

Emotional state classification from EEG data using machine learning approach
Neurocomputing, Vol.129, pp.94-106, 2014
20161010 hwada

近年,EEG データによる感情分類はドライ電極技術や機械学習アルゴリズムや様々なブレインマシンインター フェースの開発により,多くの注目を集めている.しかし,研究者らは異なる感情の状態と様々な脳波の特徴との 関係の詳細に関して,ほとんど理解していない.そこで,EEG ベースの感情分類の精度を向上させ,時間と感情 の状態変化を可視化するために,本論文では,既存の脳波の特徴量抽出方法である 3 種類を比較し,感情のタス クに無関係なノイズを除去するための方法である,滑らかかつ効率的な機能を紹介し,マニホールド学習と感情 変化の軌跡を追跡する簡単な方法を提案する.有効性を示すために我々は自然な感情状態を被験者に喚起させ,6 人のデータセットを収集するムービー誘導実験を設計した.我々の EEG データセットの実験結果から,我々はパ ワースペクトルの特徴は他の 2 種類より優れていることを示す.また,線形動的システムに基づく特徴平滑化方 法は感情分類精度を大きく向上させることを示し,感情変化の軌跡はマニホールド学習の学習対象に依存しない 特徴量を低下させることで,可視化を可能とした.

4 つのメンタルタスクによるロボットアーム制御のためのSVM 識別ブレイン・マシーン・インターフェイス

pdf

SVM-based Brain-Machine Interface for controlling a
robot arm through four mental tasks

Neurocomputing,Volume 151, Part 1, 2015, Pages 116 -121

脳と機械間で直接相互作用させるBMI(Brain-Machine Interface) は身体障害者の生活の質を改善する目的とし
て大変有効な手段である.本研究では,被験者にメンタルタスクを課すことでロボットアームを制御するBMI を
構築した.本実験で用いるメンタルタスクは4つであり,これら4つのタスク識別率は最も高い時で70% に達し
た.実験では,これらのメンタルタスクを規定通りの順番で課す事により,ロボットアームをワークスペース上の
4 つの地点に移動させる.本実験では,被験者には予め予備実験で練習を行ってもらい,その後,実験を行った.
結果として,リアルタイムで被験者はロボットアームを制御することができ,さらにシステム改善後はアームで
物を掴み移動させるといった,より複雑な作業も行うことが出来た.これらのインターフェイスは実社会の身体
障害者へのリハビリや活動の補助といった面で大変有効であると考えられる.

Brain-Machine Interface, EEG, Robot arm, Support Vector Machine

まばらな推定によりfMRI 活動パターンのデコードに関連したボクセルが自動的に選ばれる

pdf

Sparse estimation automatically selects voxels relevant
for the decoding of fMRI activity patterns

NeuroImage, Volume 42, Issue 4, 1 October 2008, Pages 1414{1429

近年の研究は,fMRI 活動パターンからタスクのパラメータを推定またはデコードするためにfMRI 活動パター
ンからデータを用いていた.fMRI デコードのため,多くの無関係なボクセルの存在が一般化しにくくする可能性
があるため,オーバーフィッティングとして知られている問題として,デコーダへのインプットとしてボクセル
(または特徴量)の適切なセットを選ぶことが重要である.一変量の統計に基づき,個々のボクセルは選ばれたが,
もしボクセルの間の相互関係が重要な情報を伝えるならば,ボクセルの結果として生じているセットは準最適であ
るかもしれない.本論文では,我々は新しいリニアの分類アルゴリズムをsparse logistic regression (SLR) と呼ぶ
ことにし,提案する.SLR は,識別のためのそれらの重量パラメータを評価する間,関連したボクセルを自動的
に選ぶ.シミュレーションデータを使うことによって,我々はSLR が無関係なボクセルを自動的に取り除く,す
なわち多くの無関係なボクセルの存在において他の方法より高い識別性能を達成できることを確認した.SLR は,
2 つの視覚実験から得られたfMRI ローデータにも効果的であると判明し,視覚野の対応した位置のボクセルをう
まく識別した.よりよいパターン分離を可能にするために,ボクセルの間の関係づけられていたノイズを利用す
ることによってSLR が選んだボクセルは,一変量の統計に基づいて選んだボクセルよりよい性能であった.我々
は,SLR はfMRI デコードの頑強な方法を提供し,また,ボクセル選択のための独立型のツールとして役立つか
もしれないと結論付ける.

Machine learning methods, Support vector machine, Classi ers, Visual cortex, Novel linear classi cation
algorithm

一被験者および複数被験者のfMRI データのSVM 分析への一時的なデータ圧縮および関心領域選択の影響

pdf

The impact of temporal compression and space selection
on SVM analysis of single-subject and multi-subject
fMRI data.

NeuroImage, Volume 33, Issue 4, October 2006, Pages 1055-1065

本研究では,我々はサポートベクターマシン(SVM) を使用して,fMRI データの1 人の被験者や多数の被験者
を識別する上で一時的な圧縮(多数の撮像を跨いだ平均) およびスペースの選択(つまり全脳からの「関心領域」の
選択) の影響を比較した.我々の目標は,無関係の分散の成分を抑えながら,タスクを保持するようにSVM を訓
練する前に適用することができる様々なデータ媒体変換を調査することである.データはブロックデザインを用
いた実験もデータである.不快画像(クラス1),快画像(クラス2),中性画像(クラス3)を提示した.多数の
被験者の分析において,「leave-one-subject-out」を用いた.つまり,各反復において我々は1 人の被験者以外のす
べてからのデータを使用して,SVM を訓練しクラス・ラベルを予測する際にその実行をテストした.1 人の被験
者の分析においては,「leave-one-block-out」を用いた.つまり,各被験者において,実験ブロックの条件あたり1
ブロックをランダムで選択し,残りのブロックのデータを使用してSVM を訓練した.結果,1 人の被験者内での
識別において,一時的な圧縮および関心領域選択の両方がSVM 精度を改善した.しかし,複数の被験者間での識
別においては,一時的な圧縮はSVM のパフォーマンスを改善したが,関心領域選択は効果がなかった.

Machine learning methods, Support vector machine, Classi ers, Functional magnetic resonance imaging dataanalysis