Fast Cerebral Blood Flow Analysis via Extreme Learning Machine

要約

拡散相関分光法 (DCS) と Extreme Learning Machine (ELM) のアプリケーションを使用して脳血流 (CBF) を分析するための、迅速かつ正確な分析アプローチを紹介します。
ELM と既存のアルゴリズムの評価には、包括的な一連の指標が含まれます。
半無限モデルと多層モデルの両方の合成データセットを使用して、これらのアルゴリズムを評価します。
結果は、ELM がさまざまなノイズ レベルと光学パラメータにわたって一貫してより高い忠実度を達成し、堅牢な汎化能力を示し、反復フィッティング アルゴリズムを上回るパフォーマンスを示していることを示しています。
計算効率の高いニューラル ネットワークとの比較により、ELM はトレーニング時間と推論時間を短縮しながら同等の精度を達成します。
特に、ELM ではトレーニング中に逆伝播プロセスが存在しないため、既存のニューラル ネットワーク アプローチと比較してトレーニング速度が大幅に高速化されます。
この提案された戦略は、オンライン トレーニング機能を備えたエッジ コンピューティング アプリケーションに有望です。

要約(オリジナル)

We introduce a rapid and precise analytical approach for analyzing cerebral blood flow (CBF) using Diffuse Correlation Spectroscopy (DCS) with the application of the Extreme Learning Machine (ELM). Our evaluation of ELM and existing algorithms involves a comprehensive set of metrics. We assess these algorithms using synthetic datasets for both semi-infinite and multi-layer models. The results demonstrate that ELM consistently achieves higher fidelity across various noise levels and optical parameters, showcasing robust generalization ability and outperforming iterative fitting algorithms. Through a comparison with a computationally efficient neural network, ELM attains comparable accuracy with reduced training and inference times. Notably, the absence of a back-propagation process in ELM during training results in significantly faster training speeds compared to existing neural network approaches. This proposed strategy holds promise for edge computing applications with online training capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google