論文の概要: Patient-Specific Seizure Prediction Using Single Seizure
Electroencephalography Recording
- arxiv url: http://arxiv.org/abs/2011.08982v1
- Date: Sat, 14 Nov 2020 03:45:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 14:03:59.628461
- Title: Patient-Specific Seizure Prediction Using Single Seizure
Electroencephalography Recording
- Title（参考訳）: 単一発作脳波記録を用いた患者特異的発作予測
- Authors: Zaid Bin Tariq, Arun Iyengar, Lara Marcuse, Hui Su, B\"ulent Yener
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 16.395309518579914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalogram (EEG) is a prominent way to measure the brain activity
for studying epilepsy, thereby helping in predicting seizures. Seizure
prediction is an active research area with many deep learning based approaches
dominating the recent literature for solving this problem. But these models
require a considerable number of patient-specific seizures to be recorded for
extracting the preictal and interictal EEG data for training a classifier. The
increase in sensitivity and specificity for seizure prediction using the
machine learning models is noteworthy. However, the need for a significant
number of patient-specific seizures and periodic retraining of the model
because of non-stationary EEG creates difficulties for designing practical
device for a patient. To mitigate this process, we propose a Siamese neural
network based seizure prediction method that takes a wavelet transformed EEG
tensor as an input with convolutional neural network (CNN) as the base network
for detecting change-points in EEG. Compared to the solutions in the
literature, which utilize days of EEG recordings, our method only needs one
seizure for training which translates to less than ten minutes of preictal and
interictal data while still getting comparable results to models which utilize
multiple seizures for seizure prediction.
- Abstract（参考訳）: 脳波(Electroencephalogram、EEG)はてんかんの研究において脳活動を測定する重要な方法である。
セイズーレ予測は,近年の文献を圧倒する深層学習に基づくアプローチが多数ある活発な研究領域である。
しかし、これらのモデルでは、分類器を訓練するために、前頭および間頭脳波データを抽出するために記録される患者固有の発作をかなり多く要求する。
機械学習モデルを用いた発作予測の感度と特異性の増加は注目に値する。
しかし、非定常脳波による患者固有の発作や定期的なモデル再訓練の必要性は、患者のための実用的な装置の設計に困難をもたらす。
この過程を緩和するために、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)を入力として、脳波の変化点を検出する基盤ネットワークと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。
脳波記録の日数を用いる文献の解法と比較すると,本手法は10分以内の前期および間期データに変換する訓練のための1回の発作のみを必要とするが,複数の発作を発作予測に利用するモデルと比較すると同等の結果が得られる。
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) - SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder [0.0]
本研究では,脳波データからてんかん発作を検出するための半教師付きアプローチを提案する。
以上の結果から,SncVAEは脳波データにおける発作検出を改善し,早期発作の早期発見と術後経過のモニタリングが可能であることが示唆された。
論文 参考訳（メタデータ） (2024-06-25T13:21:01Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - 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) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - 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) - An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。
総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
論文 参考訳（メタデータ） (2021-08-17T05:49:43Z) - Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily
Long Videos of Seizures [58.720142291102135]
てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。
本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。
本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
論文 参考訳（メタデータ） (2021-06-22T18:40:31Z) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。