재미있는 연구 소개감사합니다. 첫 번째 연구에서 ERSP map을 step-wish, frequency-wise, channel-wise로 나눠서 학습을 수행했는데, 항상 shallownet이나 EEGNet만 사용해서 그런지 이런 방식은 생각해보지 못했네요. 저희가 평소에 ERSP map을 input으로 사용하면 3D CNN의 filter를 어떻게 해야 잘나올지 자주 논의 했엇는데 이렇게 wise별로 나누고 뒤에서 합치는 방식도 써볼 수 있겠네요. 확실히 이렇게 하면 성능차원에서도 좋을 것 같습니다. 한가지 궁금한 점은 GTN 구조에서 Gate가 linear + softmax인데 이 부분은 모델 말단과 똑같은 모양인데 어떻게 gate 역할을 하는 걸까요? 모양을 보면 마치 classification을 두 번 연속하는 것처럼 생겼는데 역할이 다르다는게 신기하네요. 같은 모양의 layer로도 다른 역할을 할 수 있도록 만들 수 있다는 점을 알 수 있어서 좋았던 것 같습니다. gate가 설명해주신 것처럼 모델의 복잡도를 낮출 수 있다면 제가 하는 연구에도 큰 도움이 될 것 같습니다! 두번째 연구에서는 크게 질문 없습니다!
재미있는 발표 감사드립니다. identification 연구들은 항상 볼때마다 정확도가 놀랍도록 높아서 재밌네요. 혹시 multi-day data에 대해 identification 을 수행한 연구도 보신 적 있으신가요? 그리고 하나 더 질문 드리자면, 첫번째 논문에서 time-wise, freq.-wise, channel-wise 세 부분으로 네트워크가 중간에 나뉘어져 있는데, 네트워크를 나누지 않고 3-D CNN 으로 한번에 처리할 때와 다른 점은 무엇이 있을까요? 감사합니다.
재미있는 연구 소개 감사합니다. 지난 번에 이어 transformer model을 사용한 결과를 보여주셔서 재미있게 보았습니다. Temporal, spatial에 channel-wise로 특징을 구분한다는 점이 흥미로웠습니다. 첫 번째 논문에서 preictal과 interictal을 구분하는 기준이 30개의 trial 중에 24개 이상이 preictal인 경우preictal로, interictal인 경우 interictal로 판단한다고 하셨는데 20:10이라던지 15:15가 되는 경우는 어떻게 되는 건가요? Preictal을 기준으로 24개가 되지 않으면 interictal로 분류해야 할 것 같아서요!! 감사합니다.
흥미로운 연구 소개 감사합니다!! 딥러닝 모델에 관한 내용은 항상 어렵게 느껴지는데, 상세히 설명해주셔서 이해하기 수월했습니다. 한 가지 궁금했던 점은 k-of-n method에서 24개를 기준으로 모델이 inter-ictal와 pre-ictal를 판단한다고 하셨는데, 예를 들어 15개를 inter/ 15개를 pre라고 판단한다면 이 구간을 pre와 inter 중 어떤 것으로 결정하는걸까요??
좋은 발표 감사합니다. 첫번째 논문에서 time series, frequency, channel에 대한 특징을 각각 학습해서 결과를 도출하는 모델의 구조가 흥미로웠고 실제로 적용해보아도 좋을 것 같다는 생각이 들었습니다. 한가지 궁금한것은 k-of-n method를 적용하면 24개 이상의 trial이 ictal이라고 판단하였을 때 ictal이라는 결과가 도출된다고 하였는데 예를 들어 20개의 trial정도만 icatal이라고 판단하였을 경우 알람이 안울리고 다음 구간에 대한 분류로 넘어간다고 생각하면 되는건지 궁금합니다. 그리고 이때 30개중 24개라고 설정한 특별한 이유가 따로 언급되어 있는지 궁금합니다. 감사합니다.
흥미로운 연구 소개 감사합니다. 한가지 궁금한 것이 있어 질문 드립니다. 첫 번쨰 논문이 interictal과 preictal을 분류하여 seizure를 예측하는 것으로 이해했는데 모델이 실제 preictal 구간인데 interictal로 분류했을 경우를 대비해서 SPH 구간이 알람을 주는 용도가 될까요?
좋은 발표 감사합니다. 첫번째 논문에 대해서 질문드릴 사항이 있는데, 우선 seizure를 detection 하는 분류기의 성능 기준이 알람 기준 약 90분 정도 안에만 seizure가 발생하면 괜찮은 성능의 분류기로 생각된다는 점이 새로웠습니다. 다만 해당 분류기의 seizure detection 성능이 우수하다면, 알람이 울린 이후 최대 90분 동안은 seizure에 대비하여 자택과 같은 안전한 장소에서 대기 상태를 유지해야할 것으로 생각는데, 첫번째 논문과 같은 분야에서 연구되는 분류기의 성능을 논함에 있어서 알람 이후 얼마나 더 빠른 시간안에 seizure가 발생하는지에 대한것 또한 성능의 지표로서 생각되는지 궁금합니다. 또한 deep learning model에서 3종류의 input을 사용한다 언급 주셨는데, 그렇다면 각 input data의 전처리 과정이나, data shape 등이 모두 상이한 것인지 궁금합니다. 감사합니다.
좋은 발표 감사합니다. 1번째 논문에서 궁금한 부분이 있어 질문 드립니다. Mulit-head transformer model에서 input data가 3가지의 형태로 모델이 학습하는데, gate 부분 전에 3가지 output이 합쳐져서 gate의 input으로 들어갈 것 같은데... 혹시 3가지 output이 어떻게 concatenate되었는지 궁금합니다. 감사합니다.
![Felix "Unfair" | [Stray Kids : SKZ-PLAYER]](http://i.ytimg.com/vi/Oswujxm2Ag0/mqdefault.jpg)
흥미로운 연구 소개 감사합니다. 첫번째 논문에서 time series, frequency, channel 에 대한 특징을 각각 학습하는 모델 구조가 흥미로웠습니다. 별도의 질문은 없습니다. 감사합니다.
좋은 발표 감사합니다.
첫번째 논문의 Gate layer가 간단한 구조임에도 성능 향상에 도움을 주는 부분이 흥미로웠습니다.
별도의 질문은 없습니다. 감사합니다!
재미있는 연구 소개감사합니다.
첫 번째 연구에서 ERSP map을 step-wish, frequency-wise, channel-wise로 나눠서 학습을 수행했는데, 항상 shallownet이나 EEGNet만 사용해서 그런지 이런 방식은 생각해보지 못했네요. 저희가 평소에 ERSP map을 input으로 사용하면 3D CNN의 filter를 어떻게 해야 잘나올지 자주 논의 했엇는데 이렇게 wise별로 나누고 뒤에서 합치는 방식도 써볼 수 있겠네요. 확실히 이렇게 하면 성능차원에서도 좋을 것 같습니다.
한가지 궁금한 점은 GTN 구조에서 Gate가 linear + softmax인데 이 부분은 모델 말단과 똑같은 모양인데 어떻게 gate 역할을 하는 걸까요? 모양을 보면 마치 classification을 두 번 연속하는 것처럼 생겼는데 역할이 다르다는게 신기하네요. 같은 모양의 layer로도 다른 역할을 할 수 있도록 만들 수 있다는 점을 알 수 있어서 좋았던 것 같습니다. gate가 설명해주신 것처럼 모델의 복잡도를 낮출 수 있다면 제가 하는 연구에도 큰 도움이 될 것 같습니다!
두번째 연구에서는 크게 질문 없습니다!
흥미로운 연구 소개 감사합니다. 중간에 궁금한것이 multi-head transfer model을 이용한다고 하는데 이 모델에 대해 궁금합니다!
재미있는 발표 감사드립니다. identification 연구들은 항상 볼때마다 정확도가 놀랍도록 높아서 재밌네요. 혹시 multi-day data에 대해 identification 을 수행한 연구도 보신 적 있으신가요? 그리고 하나 더 질문 드리자면, 첫번째 논문에서 time-wise, freq.-wise, channel-wise 세 부분으로 네트워크가 중간에 나뉘어져 있는데, 네트워크를 나누지 않고 3-D CNN 으로 한번에 처리할 때와 다른 점은 무엇이 있을까요? 감사합니다.
재미있는 연구 소개 감사합니다. 지난 번에 이어 transformer model을 사용한 결과를 보여주셔서 재미있게 보았습니다. Temporal, spatial에 channel-wise로 특징을 구분한다는 점이 흥미로웠습니다. 첫 번째 논문에서 preictal과 interictal을 구분하는 기준이 30개의 trial 중에 24개 이상이 preictal인 경우preictal로, interictal인 경우 interictal로 판단한다고 하셨는데 20:10이라던지 15:15가 되는 경우는 어떻게 되는 건가요? Preictal을 기준으로 24개가 되지 않으면 interictal로 분류해야 할 것 같아서요!! 감사합니다.
흥미로운 연구 소개 감사합니다!!
딥러닝 모델에 관한 내용은 항상 어렵게 느껴지는데, 상세히 설명해주셔서 이해하기 수월했습니다.
한 가지 궁금했던 점은 k-of-n method에서 24개를 기준으로 모델이 inter-ictal와 pre-ictal를 판단한다고 하셨는데, 예를 들어 15개를 inter/ 15개를 pre라고 판단한다면 이 구간을 pre와 inter 중 어떤 것으로 결정하는걸까요??
좋은 발표 감사합니다. 첫번째 논문에서 time series, frequency, channel에 대한 특징을 각각 학습해서 결과를 도출하는 모델의 구조가 흥미로웠고 실제로 적용해보아도 좋을 것 같다는 생각이 들었습니다. 한가지 궁금한것은 k-of-n method를 적용하면 24개 이상의 trial이 ictal이라고 판단하였을 때 ictal이라는 결과가 도출된다고 하였는데 예를 들어 20개의 trial정도만 icatal이라고 판단하였을 경우 알람이 안울리고 다음 구간에 대한 분류로 넘어간다고 생각하면 되는건지 궁금합니다. 그리고 이때 30개중 24개라고 설정한 특별한 이유가 따로 언급되어 있는지 궁금합니다. 감사합니다.
흥미로운 연구 소개 감사합니다. 한가지 궁금한 것이 있어 질문 드립니다.
첫 번쨰 논문이 interictal과 preictal을 분류하여 seizure를 예측하는 것으로 이해했는데 모델이 실제 preictal 구간인데 interictal로 분류했을 경우를 대비해서 SPH 구간이 알람을 주는 용도가 될까요?
좋은 발표 감사합니다.
첫번째 논문에 대해서 질문드릴 사항이 있는데, 우선 seizure를 detection 하는 분류기의 성능 기준이 알람 기준 약 90분 정도 안에만 seizure가 발생하면 괜찮은 성능의 분류기로 생각된다는 점이 새로웠습니다. 다만 해당 분류기의 seizure detection 성능이 우수하다면, 알람이 울린 이후 최대 90분 동안은 seizure에 대비하여 자택과 같은 안전한 장소에서 대기 상태를 유지해야할 것으로 생각는데, 첫번째 논문과 같은 분야에서 연구되는 분류기의 성능을 논함에 있어서 알람 이후 얼마나 더 빠른 시간안에 seizure가 발생하는지에 대한것 또한 성능의 지표로서 생각되는지 궁금합니다. 또한 deep learning model에서 3종류의 input을 사용한다 언급 주셨는데, 그렇다면 각 input data의 전처리 과정이나, data shape 등이 모두 상이한 것인지 궁금합니다.
감사합니다.
좋은 발표 감사합니다. 1번째 논문에서 궁금한 부분이 있어 질문 드립니다. Mulit-head transformer model에서 input data가 3가지의 형태로 모델이 학습하는데, gate 부분 전에 3가지 output이 합쳐져서 gate의 input으로 들어갈 것 같은데... 혹시 3가지 output이 어떻게 concatenate되었는지 궁금합니다. 감사합니다.