ترجمه فارسی مقاله تشخیص دقیق و کارآمد تشنج بیمار با استفاده از ماشین هسته تنسوری

چکیده

Recent developments in wearable devices have made accurate and efficient seizure detection more important than ever. A challenge in seizure detection is that patient-specific models typically outperform patient-independent models. However, in a wearable device one typically starts with a patient-independent model, until such patient-specific data is available. To avoid having to construct a new classifier with this data, as required in conventional kernel machines, we propose a transfer learning approach with a tensor kernel machine. This method learns the primal weights in a compressed form using the canonical polyadic decomposition, making it possible to efficiently update the weights of the patient-independent model with patient-specific data. The results show that this patient fine-tuned model reaches as high a performance as a patient-specific SVM model with a model size that is twice as small as the patient-specific model and ten times as small as the patient-independent model.

چکیده به فارسی (ترجمه ماشینی)

تحولات اخیر در دستگاه های پوشیدنی باعث شده است تا تشخیص دقیق و کارآمد تشنج از همیشه مهمتر باشد.یک چالش در تشخیص تشنج این است که مدل های خاص بیمار به طور معمول از مدل های مستقل از بیمار بهتر عمل می کنند.با این حال ، در یک دستگاه پوشیدنی ، معمولاً با یک مدل مستقل از بیمار شروع می شود ، تا زمانی که چنین داده های خاص بیمار در دسترس نباشد.برای جلوگیری از ساخت طبقه بندی جدید با این داده ها ، همانطور که در دستگاه های هسته معمولی مورد نیاز است ، ما یک روش یادگیری انتقال را با یک دستگاه هسته تانسور پیشنهاد می کنیم.این روش وزن های اولیه را به صورت فشرده شده با استفاده از تجزیه پلی آیدیک متعارف می آموزد ، و این امکان را فراهم می کند تا به طور موثر وزن مدل مستقل بیمار را با داده های خاص بیمار به روز کنید.نتایج نشان می دهد که این مدل تنظیم شده خوب بیمار به اندازه یک مدل SVM خاص بیمار با اندازه مدل که دو برابر مدل خاص بیمار و ده برابر کوچک از مدل مستقل از بیمار باشد ، عملکردی دارد.