論文の概要: Staging Epileptogenesis with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2006.09885v1
• Date: Wed, 17 Jun 2020 14:08:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 21:39:06.980869
• Title: Staging Epileptogenesis with Deep Neural Networks
• Title（参考訳）: ディープニューラルネットワークを用いたステージングてんかん発生
• Authors: Diyuan Lu, Sebastian Bauer, Valentin Neubert, Lara Sophie Costard, Felix Rosenow, Jochen Triesch
• Abstract要約: てんかん感受性の上昇につながる構造的および機能的脳変化の過程をてんかん発生(EPG)と呼ぶ 本稿では,深層ニューラルネットワークを用いたEPGのステージング手法を提案し,脳波の異なる位相を識別するために電位脳波(EEG)バイオマーカーを同定する。
• 参考スコア（独自算出の注目度）: 4.958589793470847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Epilepsy is a common neurological disorder characterized by recurrent seizures accompanied by excessive synchronous brain activity. The process of structural and functional brain alterations leading to increased seizure susceptibility and eventually spontaneous seizures is called epileptogenesis (EPG) and can span months or even years. Detecting and monitoring the progression of EPG could allow for targeted early interventions that could slow down disease progression or even halt its development. Here, we propose an approach for staging EPG using deep neural networks and identify potential electroencephalography (EEG) biomarkers to distinguish different phases of EPG. Specifically, continuous intracranial EEG recordings were collected from a rodent model where epilepsy is induced by electrical perforant pathway stimulation (PPS). A deep neural network (DNN) is trained to distinguish EEG signals from before stimulation (baseline), shortly after the PPS and long after the PPS but before the first spontaneous seizure (FSS). Experimental results show that our proposed method can classify EEG signals from the three phases with an average area under the curve (AUC) of 0.93, 0.89, and 0.86. To the best of our knowledge, this represents the first successful attempt to stage EPG prior to the FSS using DNNs.
• Abstract（参考訳）: てんかんは、過度の同期脳活動を伴う再発発作を特徴とする一般的な神経疾患である。 脳の構造的および機能的な変化の過程は、発作の感受性を増加させ、最終的には自然発作(epg)と呼ばれ、数ヶ月から数年にわたる。 EPGの進行を検知し、監視することで、疾患の進行を遅らせたり、開発を停止したりできる早期の介入を可能にすることができる。 本稿では、深層ニューラルネットワークを用いたEPGのステージング手法を提案し、脳波の異なる位相を区別するために、電位脳波バイオマーカー(EEG)を同定する。 具体的には,電気的穿孔経路刺激 (pps) によりてんかんが誘発されるげっ歯類モデルから頭蓋内脳波記録を連続的に収集した。 ディープニューラルネットワーク(DNN)は、刺激前(ベースライン)、PSの直後、PSの直後、そしてFSSの最初の自然発作前(FSS)から脳波信号を識別するために訓練される。 実験の結果,本手法は曲線下平均面積0.93, 0.89, 0.86の3相から脳波信号を分類できることがわかった。 我々の知る限りでは、これは、DNNを使用してFSSの前にEPGを発生させようとする最初の試みである。

関連論文リスト

• From Epilepsy Seizures Classification to Detection: A Deep Learning-based Approach for Raw EEG Signals [0.8182812460605992]
  側頭葉てんかんの3分の1は薬剤耐性を示す。 抗敗血症薬開発の鍵となるのはてんかん発作の検出と定量化である。 本研究では,脳波信号に適用した深層学習モデルに基づく発作検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-10-04T12:52:37Z)
• BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph Diffusion Learning [21.689503325383253]
  実世界のSEEGデータセットにおけるてんかん性波を検出するための,最初のデータ駆動型研究を提案する。 臨床的には、てんかん波の活動は脳の異なる領域間で伝播していると考えられている。 各患者に対して正確なてんかん原性ネットワークをどうやって抽出するかという問題は、神経科学の分野では未解決の問題のままである。
  論文  参考訳（メタデータ） (2023-06-15T08:29:10Z)
• Supervised and Unsupervised Deep Learning Approaches for EEG Seizure Prediction [2.3096751699592137]
  てんかんは世界中で5000万人以上の人に影響を与えており、世界でも有数の神経疾患の1つとなっている。 てんかん発作の発生を予測する能力は、てんかんの顔を持つ人のリスクやストレスを軽減する可能性がある。 入射前発作の前兆として, 正常脳波(preictal, pre-seizure)を検出する問題を定式化する。
  論文  参考訳（メタデータ） (2023-04-24T05:21:10Z)
• 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)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• 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)
• EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network [0.21756081703275995]
  本稿では,頭皮電気脳波(EEG)を用いた神経疾患の診断を改善するための新しいグラフ畳み込みニューラルネットワーク(GCNN)を提案する。 脳波データのための新しいGCNNモデルであるEEG-GCNNを提案し、頭皮電極間の空間的および機能的接続を捉える。 我々は、EEG-GCNNが人間のベースラインと古典的機械学習(ML)ベースラインを大幅に上回っており、AUCは0.90であることを示した。
  論文  参考訳（メタデータ） (2020-11-17T20:25:28Z)
• Towards Early Diagnosis of Epilepsy from EEG Data [4.958589793470847]
  てんかんは最も一般的な神経疾患の1つで、あらゆる年齢の人口の約1%に影響を及ぼす。 そこで本稿では, 発作発生前において, 現代の機械学習(ML)技術がてんかん発生(EPG)を検出できるかどうかを検討する。 本稿では,深層畳み込みニューラルネットワーク(CNN)と予測集約手法を組み合わせたEPG識別のためのMLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T21:04:54Z)
• 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)
• Equilibrium Propagation with Continual Weight Updates [69.87491240509485]
  時間によるバックプロパゲーション(BPTT)と密接に一致する勾配を計算し、機械学習と神経科学を橋渡しする学習アルゴリズムを提案する。 理論的には、学習速度が十分に小さい場合、第2相の各段階において、BPTTが与える損失の勾配に従ってニューロンとシナプスのダイナミクスが従うことを証明している。 これらの結果からEPは,後方伝播との親密な関係を維持しつつ,ハードウェアの制約に順応し,生物学に一歩近づいた。
  論文  参考訳（メタデータ） (2020-04-29T14:54:30Z)

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。