Download to read offline
![[DL輪読会]Memory-Augmented Attribute Manipulation Networks for Interactive Fashi...](https://cdn.slidesharecdn.com/ss_thumbnails/goto20170616-170712031459-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...](https://cdn.slidesharecdn.com/ss_thumbnails/20201023voxelposekuboshizuma-201023025841-thumbnail.jpg?width=640&height=640&fit=bounds)
修士論文
- 1. シャント音を用いた血管狭窄検出の 精度向上に関する研究 発表日 令和3年2月3日 所属 人工知能第一研究室 発表者19E3015 野田 史也 指導教員 古家 賢一 教授 会場 第二会場(Zoom)
- 2. 目次 • 背景 • 目的 •従来研究 • 提案手法 • 実験 • 結果 • まとめ 1
- 3. 背景 2 動脈と静脈を吻合させたAVF(内シャント) 作成することで十分な血流を得る 静脈 動脈 吻合部 患者の高齢化、シャントの長期使用 シャントが抱える問題点 狭窄(血管が細くなる) 閉塞(血管が詰まる)が発生 - 再手術を行わければならない 末期腎臓病患者(ESRD: End Stage Renal Disease) -血液から老廃物や過剰な水分を除去するため血液透析を行う
- 4. 目的 3 • シャント音からシャントの状態をコンピュータで管理 • 日常的に聴診器でシャントを管理 •診断には専門的な知識が必要 特徴抽出 システムのイメージ シャント音 識別 正常 異常 識別器
- 5. 従来研究 4 シャント音 切り出し 特徴量 抽出 学習 識別フェーズ 特徴量 抽出 SVM RF 𝑅𝐼 < 0.6 or 𝑅𝐼≥ 0.6 識別 シャント音 切り出し 学習フェーズ シャント音 (学習データ) シャント音 (テストデータ) サンプル移動 伸縮処理 サンプル移動 伸縮処理 ラベリング 血管抵抗指数 𝑅𝐼 < 0.6 𝑜𝑟 𝑅𝐼 ≥ 0.6 血管狭窄診断支援のためのシャント音解析を用いた識別法の研究 (東 大輔 修士論文 2019) 血管抵抗指数(resistance index) -末梢への血流の流れにくさを反映する指標
- 6. Time(sec) Amplitude Amplitude Time(sec) Amplitude Time(sec) 一脈拍に対応するシャント音の切り出し 5 ① 絶対値の算出 ② 平滑化間引き処理 ③ピーク値の検出 ④ ピーク値間の最小値の検出 ⑤ 一脈拍に対応する シャント音の切り出し
- 7.
- 8.
- 9.
- 10. 評価指標 9 正解率 = 𝑇𝑃 +𝑇𝑁 𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁 第二種の誤り率 = 𝐹𝑁 𝑇𝑃 + 𝐹𝑁
- 11. 従来研究の実験条件 10 データ長 0.8秒、一脈拍に対応したデータ長 学習データ数 240個 240個×データ拡張分(二次元特徴量) テストデータ数 60個 識別器二次カーネルSVM、RBFカーネルSVM、RF 特徴量 MFCC、周波数パワーの割合 正規化相互相関係数、二次元特徴量 条件 ①シャント音固定長切り出し ②シャント音一脈拍切り出し ③データ調整 ④サンプル移動・伸縮処理 ⑤二次元特徴量 評価指標 正解率、第二種の誤り率
- 12. 従来研究の結果 11 正解率 (%) 固定長 一脈拍 データ 調整 移動・伸縮 処理 二次元 特徴量 アンサンブル 二次 カーネル SVM 55.3% 59.7%59% 66% 62.3% 64.7% RBF カーネル SVM 63.3% 63.7% 62.3% 67.7% 69% 65.3% RF 71.3% 68% 67% 71.3% 71.7% 76.7% 第二種の 誤り率 （RF） 45.3% 46.7% 49.3% 30.7% 22.7% 39.3% 課題 : 識別精度の向上
- 13. 提案手法 1. 識別器を勾配ブースティング決定木に変更 → ランダムフォレストよりも正解率が向上したため 従来研究のRFを勾配ブースティング決定木へ変更 2.シャント音を周波数解析して得られる4つの特徴量の 組み合わせを変更して学習 → 同じ識別器でも特徴量によって正解率に変化あり 特徴量の組み合わせについて検討されていない ハイパーパラメータの探索にベイズ最適化を利用 → 考慮すべきハイパーパラメータの種類が多いため 12
- 14. システム構成図 13 シャント音 切り出し 特徴量 抽出 ベイズ 最適化 学習 識別フェーズ 特徴量 抽出 勾配 ブースティング 決定木 𝑅𝐼 < 0.6 or 𝑅𝐼≥ 0.6 識別 シャント音 切り出し 学習フェーズ シャント音 (学習データ) シャント音 (テストデータ) サンプル移動 伸縮処理 サンプル移動 伸縮処理 ラベリング 血管抵抗指数 𝑅𝐼 < 0.6 𝑜𝑟 𝑅𝐼 ≥ 0.6
- 15.
- 16.
- 17. ベイズ最適化 • ベイズ最適化は代理モデルを用いてパラメータを探索する手法 ※代理モデルとしてガウス過程やTPEが用いられる 例） 次の4点の正解率が求まっていたとする •ベイズ最適化 - 正解率が高そうなエリアを優先的に観測 - 局所解に陥らないように他のエリアも観測 - これまでの評価値に基づいて次の観測点を自動的に判断 16 0 1 2 3 4 5 6 0 1 2 3 4 5 6 木 の 個 数 木の深さ ランダムフォレストの正解率 0 1 2 3 4 5 6 0 1 2 3 4 5 6 木 の 個 数 木の深さ ランダムフォレストの正解率 10回で最適解に到達 獲得関数を用いて判断
- 18. 実験条件 17 サンプリング周波数 48kHz(聴診器付きマイクロホン) データ長 0.8秒(固定長)、一脈拍に対応したデータ長 ラベリング RI値(0.6未満の値、 0.6以上の値) 学習データ数 240個(60個×4) テストデータ数 60個 特徴量 MFCC 周波数パワーの割合 正規化相互相関係数 二次元特徴量 識別器 GBDT 探索回数 3000回 目的: 提案手法による識別精度の確認 5次の交差検定を行い、正解率と第二種の誤り率で評価
- 19. 提案手法1の結果 識別 手法 固定長 一脈拍 データ 調整 移動・伸縮 処理 二次元 特徴量 アンサンブル 正解率 RF 71.3%68% 67% 71.3% 71.7% 76.7% 提案法1 75.3% 70.7% 71.7% 71.0% 73.0% 78.0% 第二種 の 誤り率 RF 45.3% 46.7% 49.3% 30.7% 22.7% 39.3% 提案法1 41.3% 36% 34.0% 37.3% 27.3% 34%
- 20. 提案手法２の結果 19 特徴量 相関R PeaksMFCC 二次元 相関R, Peaks 相関R, MFCC 相関R, 二次元 Peaks, MFCC 正解率 50.0% 64.0% 78.3% 73.0% 64.7% 73.3% 75.0% 78.3% 第二種の 誤り率 100.0% 28.7% 29.3% 27.3% 47.3% 45.3% 28.7% 28.0% 特徴量 Peaks, 二次元 MFCC, 二次元 相関R, Peaks, MFCC 相関R, MFCC, 二次元 相関R, Peaks, 二次元 Peaks, MFCC, 二次元 全ての 特徴量 アンサンブル 学習 正解率 74.3% 73.7% 75.3% 74.0% 73.7% 73.7% 74.7% 79.7% 第二種の 誤り率 26.7% 28.0% 32.0% 28.0% 28.7% 30.7% 24.7% 28.0% 相関R:正規化相互相関係数 Peaks :周波数パワーの割合
- 21.
- 22. 有意差検定 • 従来法と提案法の結果に「統計的に有意な差」があるかを 調べる手法 • 今回はt検定を用いて従来法の正解率と提案法の正解率に 有意差な差があるかを調査 -P値が0.05より小さい場合、統計的に有意な差ありと判断 21 正解率 P値 RF(従来法) 76.7% 比較対象 提案法1 78% 0.5725 提案法2 79.7% 0.2793 統計的に有意な差はない
- 23.