論文の概要: Machine Learning for Predicting Epileptic Seizures Using EEG Signals: A Review

• arxiv url: http://arxiv.org/abs/2002.01925v1
• Date: Tue, 4 Feb 2020 06:22:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 03:43:59.493253
• Title: Machine Learning for Predicting Epileptic Seizures Using EEG Signals: A Review
• Title（参考訳）: 脳波信号を用いたてんかん発作予測のための機械学習
• Authors: Khansa Rasheed, Adnan Qayyum, Junaid Qadir, Shobi Sivathamboo, Patrick Kwan, Levin Kuhlmann, Terence O'Brien, and Adeel Razi
• Abstract要約: 脳波信号を用いた発作の早期予測における最先端ML手法のレビューを行う。 前もって予測できた場合、てんかん発作の悪影響から患者を救える。 MLベースのアルゴリズムには、てんかん発作の早期かつ正確な予測においてパラダイムシフトをもたらす可能性がある、エキサイティングな新しい展開がある。
• 参考スコア（独自算出の注目度）: 1.7959899851975951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the advancement in artificial intelligence (AI) and machine learning (ML) techniques, researchers are striving towards employing these techniques for advancing clinical practice. One of the key objectives in healthcare is the early detection and prediction of disease to timely provide preventive interventions. This is especially the case for epilepsy, which is characterized by recurrent and unpredictable seizures. Patients can be relieved from the adverse consequences of epileptic seizures if it could somehow be predicted in advance. Despite decades of research, seizure prediction remains an unsolved problem. This is likely to remain at least partly because of the inadequate amount of data to resolve the problem. There have been exciting new developments in ML-based algorithms that have the potential to deliver a paradigm shift in the early and accurate prediction of epileptic seizures. Here we provide a comprehensive review of state-of-the-art ML techniques in early prediction of seizures using EEG signals. We will identify the gaps, challenges, and pitfalls in the current research and recommend future directions.
• Abstract（参考訳）: 人工知能(AI)と機械学習(ML)技術の進歩により、研究者たちは、これらの技術を用いて臨床実践の進歩を目指している。 医療の主要な目的の1つは、予防的介入をタイムリーに提供する病気の早期発見と予測である。 これは特にてんかんの症例であり、再発と予測不能な発作が特徴である。 患者は、何らかの形で事前に予測できた場合、てんかん発作の副作用を軽減できる。 数十年の研究にもかかわらず、発作の予測は未解決の問題である。 これは少なくとも、問題の解決に十分な量のデータが不足しているためである。 MLベースのアルゴリズムには、てんかん発作の早期かつ正確な予測においてパラダイムシフトをもたらす可能性がある、エキサイティングな新しい展開がある。 本稿では,脳波信号を用いた発作早期予測における最先端ML手法の総合的なレビューを行う。 私たちは現在の研究におけるギャップ、課題、落とし穴を特定し、今後の方向性を推奨します。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Modeling methodology for the accurate and prompt prediction of symptomatic events in chronic diseases [0.0]
  慢性疾患における症状発生の予測は、症状が起こる前に決定を下すことができる。 本報告では,慢性疾患の症状的危機の予測限界について検討する。
  論文  参考訳（メタデータ） (2024-02-15T08:30:50Z)
• Path Signatures for Seizure Forecasting [0.6282171844772422]
  患者固有の方法で発作を予測するための予測的特徴(バイオマーカー)の自動発見を検討する。 データストリームの解析における最近の進展であるパスシグネチャを用いて、測定時系列から発作予測までをマップする。
  論文  参考訳（メタデータ） (2023-08-18T05:19:18Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• Searching for waveforms on spatially-filtered epileptic ECoG [1.7948767405202701]
  発作はてんかんの患者の定義症状の1つであり、その発表されていない発生のために、それに苦しむ個人に深刻なリスクを及ぼす可能性があります。 新しい研究は、差し迫った発作の予測と先制化に有望な未来を示している。 データ駆動波形学習手法は、発作予測のための予測力を持つ機能に貢献する可能性を秘めている。
  論文  参考訳（メタデータ） (2021-03-25T14:05:08Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Patient-independent Epileptic Seizure Prediction using Deep Learning Models [39.19336481493405]
  発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。 患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。 患者に依存しない2つの深層学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-18T23:13:48Z)
• Patient-Specific Seizure Prediction Using Single Seizure Electroencephalography Recording [16.395309518579914]
  本稿では、ウェーブレット変換されたEEGテンソルを畳み込みニューラルネットワーク(CNN)をベースネットワークとし、脳波の変化点を検出するシームズニューラルネットワークに基づく発作予測手法を提案する。 本手法では, 発作予知に複数の発作を応用したモデルに比較して, 10分未満の先天的および間天的データに翻訳する訓練に1回の発作しか必要としない。
  論文  参考訳（メタデータ） (2020-11-14T03:45:17Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。