論文の概要: A New Open-Access Platform for Measuring and Sharing mTBI Data
- arxiv url: http://arxiv.org/abs/2010.08485v1
- Date: Fri, 16 Oct 2020 16:37:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 22:08:51.643810
- Title: A New Open-Access Platform for Measuring and Sharing mTBI Data
- Title（参考訳）: mTBIデータの測定と共有のための新しいオープンAccessプラットフォーム
- Authors: August G. Domel, Samuel J. Raymond, Chiara Giordano, Yuzhe Liu, Seyed
Abdolmajid Yousefsani, Michael Fanton, Ileana Pirozzi, Ali Kight, Brett
Avery, Athanasia Boumis, Tyler Fetters, Simran Jandu, William M Mehring, Sam
Monga, Nicole Mouchawar, India Rangel, Eli Rice, Pritha Roy, Sohrab Sami,
Heer Singh, Lyndia Wu, Calvin Kuo, Michael Zeineh, Gerald Grant, David B.
Camarillo
- Abstract要約: 本稿では,1) 頭部衝撃データを集中的に保存し,共有するためのオープンソースプラットフォームであるFITBIR (Federal Interagency Traumatic Brain Injury Research informatics System) と,2) 頭部衝撃と偽陽性を区別する深層学習影響検出アルゴリズム(MiGNet) の2つについて述べる。
ニューラルネットワークモデルに基づくMiGNetによる96%の精度を報告し,91%の精度を達成したSupport Vector Machinesに基づくこれまでの作業を改善した。
- 参考スコア（独自算出の注目度）: 1.2371721691641524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite numerous research efforts, the precise mechanisms of concussion have
yet to be fully uncovered. Clinical studies on high-risk populations, such as
contact sports athletes, have become more common and give insight on the link
between impact severity and brain injury risk through the use of wearable
sensors and neurological testing. However, as the number of institutions
operating these studies grows, there is a growing need for a platform to share
these data to facilitate our understanding of concussion mechanisms and aid in
the development of suitable diagnostic tools. To that end, this paper puts
forth two contributions: 1) a centralized, open-source platform for storing and
sharing head impact data, in collaboration with the Federal Interagency
Traumatic Brain Injury Research informatics system (FITBIR), and 2) a deep
learning impact detection algorithm (MiGNet) to differentiate between true head
impacts and false positives for the previously biomechanically validated
instrumented mouthguard sensor (MiG2.0), all of which easily interfaces with
FITBIR. We report 96% accuracy using MiGNet, based on a neural network model,
improving on previous work based on Support Vector Machines achieving 91%
accuracy, on an out of sample dataset of high school and collegiate football
head impacts. The integrated MiG2.0 and FITBIR system serve as a collaborative
research tool to be disseminated across multiple institutions towards creating
a standardized dataset for furthering the knowledge of concussion biomechanics.
- Abstract（参考訳）: 多くの研究努力にもかかわらず、脳梗塞の正確なメカニズムはまだ明らかになっていない。
コンタクトスポーツ選手などの高リスク人口に関する臨床研究はより一般的になり、ウェアラブルセンサーと神経学的検査を用いて、衝撃重大度と脳損傷リスクとの関係について洞察を与えている。
しかし、これらの研究を行う機関の数が増加するにつれて、脳卒中メカニズムの理解と適切な診断ツールの開発を支援するために、これらのデータを共有するプラットフォームの必要性が高まっている。
そのために本稿では,2つのコントリビューションを行う。
1)連邦政府の外傷性脳損傷研究情報システム(fitbir)と連携して、頭部衝撃データを保存・共有するための集中型オープンソースのプラットフォーム
2) バイオメカニカルに検証されたマウスガードセンサ(MiG2.0)の頭部衝撃と偽陽性を区別する深層学習影響検出アルゴリズム(MiGNet)を開発した。
ニューラルネットワークモデルに基づくMiGNetによる96%の精度を報告し,91%の精度を達成したSupport Vector Machinesに基づくこれまでの作業を改善した。
統合mig2.0とfitbirシステムは、複数の機関にまたがる共同研究ツールとして機能し、脳震動バイオメカニクスの知識を深めるための標準化データセットを作成する。
関連論文リスト
- Resolving Domain Shift For Representations Of Speech In Non-Invasive Brain Recordings [3.5297361401370044]
脳磁図(MEG)を用いた非侵襲的データ収集に焦点を当てた。
私たちの知る限りでは、この研究はMEGニューロイメージングデータに基づく機能レベルの深層学習の初めての応用である。
論文 参考訳（メタデータ） (2024-10-25T21:56:23Z) - AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。
この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。
地盤自動報告生成(AutoRG)に関する一連の研究を開始した。
このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
論文 参考訳（メタデータ） (2024-07-23T17:50:00Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - Federated Learning for Multi-Center Imaging Diagnostics: A Study in
Cardiovascular Disease [0.8687046723936027]
心臓血管磁気共鳴(CMR)のモダリティに関する第1回フェデレート学習研究について紹介する。
我々は、肥大型心筋症(HCM)の診断に焦点を当て、M&MデータセットとACDCデータセットのサブセットから派生した4つのセンターを使用する。
データのサイズが小さい(4つのセンターから180の被験者を抽出)にもかかわらず、プライバシ保護のためのフェデレーション学習が有望な結果をもたらすことを示す。
論文 参考訳（メタデータ） (2021-07-07T08:54:08Z) - Group Feature Learning and Domain Adversarial Neural Network for aMCI
Diagnosis System Based on EEG [25.029697750437094]
軽度認知障害(mci)の診断はアルツハイマー病(ad)の予防に有効な手段であると考えられている
人間の要因の影響を排除し、より高い精度を得るには、ロボット診断システムを開発する必要があります。
本研究では、Amnestic MCI(aMCI)診断のためのグループ特徴領域逆ニューラルネットワーク(GF-DANN)を提案する。
論文 参考訳（メタデータ） (2021-04-28T08:08:32Z) - Challenges in biomarker discovery and biorepository for Gulf-war-disease
studies: a novel data platform solution [48.7576911714538]
ROSALINDという新しいデータプラットフォームを導入し、課題を克服し、健全で重要なコラボレーションを育み、科学的調査を進めます。
ROSALINDは、自己管理されたアクセシビリティ、リンク性、可積分性、中立性、信頼性を持つリソース有機体を指します。
過去12ヶ月のGWI研究におけるROSALINDの展開により、データ実験と分析のペースが加速し、多数のエラーソースが削除され、研究品質と生産性が向上しました。
論文 参考訳（メタデータ） (2021-02-04T20:38:30Z) - Machine Learning Methods for Brain Network Classification: Application
to Autism Diagnosis using Cortical Morphological Networks [0.0]
我々はクラウドソーシングを利用して、自閉症スペクトラム障害(ASD)診断に応用した神経疾患診断のための機械学習パイプラインのプールを構築する。
第1位チームは70%の精度、72.5%の感度、67.5%の特異性を達成し、第2位チームはそれぞれ63.8%、62.5%、65%を達成した。
論文 参考訳（メタデータ） (2020-04-28T06:23:29Z)
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。