論文の概要: Machine-Learning-Based Diagnostics of EEG Pathology
- arxiv url: http://arxiv.org/abs/2002.05115v1
- Date: Tue, 11 Feb 2020 17:12:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 02:04:16.999691
- Title: Machine-Learning-Based Diagnostics of EEG Pathology
- Title(参考訳): マシンラーニングによる脳波診断
- Authors: Lukas Alexander Wilhelm Gemein, Robin Tibor Schirrmeister, Patryk
Chrab\k{a}szcz, Daniel Wilson, Joschka Boedecker, Andreas Schulze-Bonhage,
Frank Hutter, Tonio Ball
- Abstract要約: 機能ベースのEEG分析フレームワークを開発し、最先端のエンドツーエンド手法と比較する。
両アプローチの精度は81~86%という驚くほど狭い範囲にある。
臨床ラベルの不完全一致により,現在の2連系脳波デコーダの精度は90%近く飽和する可能性が示唆された。
- 参考スコア(独自算出の注目度): 29.98686945159869
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) methods have the potential to automate clinical EEG
analysis. They can be categorized into feature-based (with handcrafted
features), and end-to-end approaches (with learned features). Previous studies
on EEG pathology decoding have typically analyzed a limited number of features,
decoders, or both. For a I) more elaborate feature-based EEG analysis, and II)
in-depth comparisons of both approaches, here we first develop a comprehensive
feature-based framework, and then compare this framework to state-of-the-art
end-to-end methods. To this aim, we apply the proposed feature-based framework
and deep neural networks including an EEG-optimized temporal convolutional
network (TCN) to the task of pathological versus non-pathological EEG
classification. For a robust comparison, we chose the Temple University
Hospital (TUH) Abnormal EEG Corpus (v2.0.0), which contains approximately 3000
EEG recordings. The results demonstrate that the proposed feature-based
decoding framework can achieve accuracies on the same level as state-of-the-art
deep neural networks. We find accuracies across both approaches in an
astonishingly narrow range from 81--86\%. Moreover, visualizations and analyses
indicated that both approaches used similar aspects of the data, e.g., delta
and theta band power at temporal electrode locations. We argue that the
accuracies of current binary EEG pathology decoders could saturate near 90\%
due to the imperfect inter-rater agreement of the clinical labels, and that
such decoders are already clinically useful, such as in areas where clinical
EEG experts are rare. We make the proposed feature-based framework available
open source and thus offer a new tool for EEG machine learning research.
- Abstract(参考訳): 機械学習(ML)手法は臨床脳波分析を自動化する可能性がある。
それらは機能ベース(手作り機能付き)とエンドツーエンドアプローチ(学習機能付き)に分類される。
脳波病理のデコードに関するこれまでの研究は、限られた数の機能、デコーダ、またはその両方を分析してきた。
I)より精巧な機能ベースのEEG分析とII)両方のアプローチの詳細な比較については、まず包括的な機能ベースのフレームワークを開発し、次に、このフレームワークを最先端のエンドツーエンドメソッドと比較する。
本研究の目的は,脳波を最適化した時間的畳み込みネットワーク(TCN)を含む機能ベースフレームワークとディープニューラルネットワークを,病理学と非病理学の脳波分類の課題に適用することである。
厳密な比較のために、約3000の脳波記録を含むテンプル大学病院 (TUH) 異常脳波コーパス (v2.0.0) を選択した。
その結果,提案手法は最先端のディープニューラルネットワークと同レベルの精度を実現できることがわかった。
両アプローチの精度は81~86\%という驚くほど狭い範囲にある。
さらに, 可視化と解析により, 両手法が時空間電極位置におけるデルタおよびテタ帯域パワーなど, データの類似した側面を用いたことが示された。
本研究は, 臨床ラベルの不完全一致により, 現在の2次脳波診断の精度が90%近く飽和する可能性があり, 臨床脳波の専門家が稀な領域など, 既に臨床的に有用であると主張している。
提案した機能ベースのフレームワークをオープンソースにし、EEG機械学習研究のための新しいツールを提供する。
関連論文リスト
- Bridging the Diagnostic Divide: Classical Computer Vision and Advanced AI methods for distinguishing ITB and CD through CTE Scans [2.900410045439515]
放射線医の間では, 内皮-皮下脂肪比は, ITBとCDの鑑別における代用バイオマーカーとして認識されている。
本稿では,この比率計算を自動化するために,皮下脂肪の自動分離のための新しい2次元画像コンピュータビジョンアルゴリズムを提案する。
ITB, CD, 正常患者のサンプルを用いて, CTEスキャンのデータセットを用いてResNet10モデルを訓練し, 75%の精度を得た。
論文 参考訳(メタデータ) (2024-10-23T17:05:27Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳(メタデータ) (2024-07-08T11:44:15Z) - hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience
applications [3.031375888004876]
脳波の既存のDLベースのモデリング手法に2つの課題がある。
被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。
本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
論文 参考訳(メタデータ) (2023-11-20T15:36:31Z) - MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type
Classification Using EEG [2.1915057426589746]
てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。
本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。
MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
論文 参考訳(メタデータ) (2022-11-09T01:07:20Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳(メタデータ) (2021-01-24T19:03:10Z) - Automatic detection of abnormal EEG signals using wavelet feature
extraction and gradient boosting decision tree [2.924868086534434]
多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。
本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。
CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
論文 参考訳(メタデータ) (2020-12-18T03:36:52Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳(メタデータ) (2020-07-31T14:34:47Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。