論文の概要: Identifying trace alternant activity in neonatal EEG using an inter-burst detection approach

• arxiv url: http://arxiv.org/abs/2005.05559v1
• Date: Tue, 12 May 2020 05:50:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 19:53:59.592317
• Title: Identifying trace alternant activity in neonatal EEG using an inter-burst detection approach
• Title（参考訳）: バースト間検出法による新生児脳波における微量交互活性の同定
• Authors: Sumit A. Raurale, Geraldine B. Boylan, Gordon Lightbody and John M. O'Toole
• Abstract要約: TAは、新生児期における静睡眠時の脳波の特徴的なパターンである。 本研究では,まずバースト間を検知し,その後バースト間とバースト間の時間マップを処理することにより,TA活性を検出する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 3.2498534294827044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) is an important clinical tool for reviewing sleep-wake cycling in neonates in intensive care. Trace alternant (TA)-a characteristic pattern of EEG activity during quiet sleep in term neonates-is defined by alternating periods of short-duration, high-voltage activity (bursts) separated by lower-voltage activity (inter-bursts). This study presents a novel approach for detecting TA activity by first detecting the inter-bursts and then processing the temporal map of the bursts and inter-bursts. EEG recordings from 72 healthy term neonates were used to develop and evaluate performance of 1) an inter-burst detection method which is then used for 2) detection of TA activity. First, multiple amplitude and spectral features were combined using a support vector machine (SVM) to classify bursts from inter-bursts within TA activity, resulting in a median area under the operating characteristic curve (AUC) of 0.95 (95% confidence interval, CI: 0.93 to 0.98). Second, post-processing of the continuous SVM output, the confidence score, was used to produce a TA envelope. This envelope was used to detect TA activity within the continuous EEG with a median AUC of 0.84 (95% CI: 0.80 to 0.88). These results validate how an inter-burst detection approach combined with post processing can be used to classify TA activity. Detecting the presence or absence of TA will help quantify disruption of the clinically important sleep-wake cycle.
• Abstract（参考訳）: 心電図(eeg)は、集中治療中の新生児の睡眠覚醒サイクルを観察するための重要な臨床ツールである。 新生児期における静かな睡眠中の脳波活動の特徴は、低電圧活動(インターバースト)によって分離された短子・高電圧活動(bursts)の交互周期によって定義される。 本研究は,まずバースト間を検知し,次にバースト間とバースト間の時間マップを処理してta活性を検出する新しい手法を提案する。 72名の健常児の脳波記録を用いて評価を行った。 1)次に使用されるバースト間検出方法 2)TA活性の検出。 第一に、複数の振幅とスペクトル特性を支持ベクトルマシン(SVM)を用いてTA活動中のバースト間バーストからバーストを分類し、動作特性曲線(AUC)が0.95(95%信頼区間、CI:0.93〜0.98)の中央値領域となる。 次に, TAエンベロープを生成するために, 連続SVM出力, 信頼度スコアを後処理した。 このエンベロープは連続脳波中のTA活性を0.84 (95% CI: 0.80 - 0.88) で検出するために使用された。 これらの結果は,バースト間検出手法とポスト処理を併用してTA活性を分類する方法を検証した。 TAの有無を検知することは、臨床的に重要な睡眠覚醒サイクルの破壊を定量化するのに役立つ。

関連論文リスト

• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• A Novel real-time arrhythmia detection model using YOLOv8 [0.0]
  本研究は,在宅における心電図(ECG)のリアルタイム不整脈検出の可能性を明らかにするものである。 我々は,MIT-BIH不整脈データセットを微調整した損失修正型YOLOv8モデルを導入し,リアルタイム連続監視を実現する。 我々の研究は、リアルタイム不整脈検出の可能性を示し、ユーザーが自宅の快適さの中でモデル出力を視覚的に解釈できるようにする。
  論文  参考訳（メタデータ） (2023-05-26T08:27:09Z)
• MMA-RNN: A Multi-level Multi-task Attention-based Recurrent Neural Network for Discrimination and Localization of Atrial Fibrillation [1.8037893225125925]
  本稿では,多段階マルチタスク・アテンションに基づくリカレントニューラルネットワークを提案する。 このモデルは、情報インタラクションを強化し、エラーの蓄積を減らすためのエンドツーエンドフレームワークとして設計されている。
  論文  参考訳（メタデータ） (2023-02-07T19:59:55Z)
• Machine Learning-based Signal Quality Assessment for Cardiac Volume Monitoring in Electrical Impedance Tomography [0.8541111605978491]
  臨床応用では、心臓の容積シグナルは、主に臨床介入中の患者の意図的な動きや避けられない動きのために、品質が低いことが多い。 本研究の目的は、運動人工物が一過性の心臓容積信号に与える影響を評価するための信号品質指標を作成することである。 提案手法は,臨床医が患者の症状に関する混乱を最小限に抑えるために,即時警告を提供するのに有効である。
  論文  参考訳（メタデータ） (2023-01-04T07:13:21Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs [49.32653090178743]
  畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。 CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。 深層学習に基づく手法が古典的アプローチより優れていることが実証された。
  論文  参考訳（メタデータ） (2020-08-05T08:49:20Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• RED: Deep Recurrent Neural Networks for Sleep EEG Event Detection [0.0]
  我々は、リカレントイベント検出器(RED)と呼ばれる睡眠脳波イベント検出のための深層学習手法を提案する。 REDは2つの入力表現のうちの1つを使用している:a) 時間領域のEEG信号、またはb) 連続ウェーブレット変換(CWT)で得られる信号の複素スペクトル。 MASSデータセットで評価すると、我々の検出器は、それぞれ80.9%と82.6%の平均F1スコアで睡眠スピンドルとK-プレプレックス検出の両方において、技術の現状より優れています。
  論文  参考訳（メタデータ） (2020-05-15T21:48:26Z)
• Activity Detection from Wearable Electromyogram Sensors using Hidden Markov Model [0.0]
  本研究は, 各種手の動きが記録されたときのsEMG信号を用いた隠れマルコフモデル(HMM)に基づく, 新たな活動検出手法を提案する。 活動開始は平均96.25%の精度で検出されるのに対し、活動終了領域は平均87.5%の精度で6つの活動と4つの被験者からなる。
  論文  参考訳（メタデータ） (2020-04-27T01:14:02Z)
• Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。