論文の概要: Patient-independent Epileptic Seizure Prediction using Deep Learning
Models
- arxiv url: http://arxiv.org/abs/2011.09581v1
- Date: Wed, 18 Nov 2020 23:13:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 04:39:26.294026
- Title: Patient-independent Epileptic Seizure Prediction using Deep Learning
Models
- Title（参考訳）: 深層学習モデルを用いた患者非依存てんかん発作予測
- Authors: Theekshana Dissanayake, Tharindu Fernando, Simon Denman, Sridha
Sridharan, Clinton Fookes
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 39.19336481493405
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Epilepsy is one of the most prevalent neurological diseases among
humans and can lead to severe brain injuries, strokes, and brain tumors. Early
detection of seizures can help to mitigate injuries, and can be used to aid the
treatment of patients with epilepsy. The purpose of a seizure prediction system
is to successfully identify the pre-ictal brain stage, which occurs before a
seizure event. Patient-independent seizure prediction models are designed to
offer accurate performance across multiple subjects within a dataset, and have
been identified as a real-world solution to the seizure prediction problem.
However, little attention has been given for designing such models to adapt to
the high inter-subject variability in EEG data. Methods: We propose two
patient-independent deep learning architectures with different learning
strategies that can learn a global function utilizing data from multiple
subjects. Results: Proposed models achieve state-of-the-art performance for
seizure prediction on the CHB-MIT-EEG dataset, demonstrating 88.81% and 91.54%
accuracy respectively. Conclusions: The Siamese model trained on the proposed
learning strategy is able to learn patterns related to patient variations in
data while predicting seizures. Significance: Our models show superior
performance for patient-independent seizure prediction, and the same
architecture can be used as a patient-specific classifier after model
adaptation. We are the first study that employs model interpretation to
understand classifier behavior for the task for seizure prediction, and we also
show that the MFCC feature map utilized by our models contains predictive
biomarkers related to interictal and pre-ictal brain states.
- Abstract（参考訳）: 目的:てんかんはヒトで最も多い神経疾患の一つであり、重度の脳損傷、脳卒中、脳腫瘍を引き起こす可能性がある。
発作の早期発見は怪我の軽減に役立ち、てんかん患者の治療に役立てることができる。
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。
患者非依存の発作予測モデルは、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おり、発作予測問題の現実的な解決策として特定されている。
しかし、脳波データの高オブジェクト間変動に適応するモデルの設計には、ほとんど注意が払われていない。
方法: 異なる学習戦略を持つ2つの患者に依存しないディープラーニングアーキテクチャを提案する。
結果:CHB-MIT-EEGデータセットの精度は88.81%,91.54%であった。
結論: 提案する学習戦略に基づいてトレーニングされたシアムモデルは、発作を予測しながら、患者のデータの変化に関するパターンを学習することができる。
意義: 本モデルは, 患者非依存的な発作予測に優れた性能を示し, 同一アーキテクチャをモデル適応後の患者固有の分類器として用いることができる。
本研究は,脳卒中予知タスクにおける分類器の行動を理解するためにモデル解釈を用いた最初の研究であり,本モデルが利用するmfcc特徴マップは,間期および前ictal脳の状態に関連する予測バイオマーカーを含んでいることを示した。
関連論文リスト
- A Knowledge Distillation Approach for Sepsis Outcome Prediction from
Multivariate Clinical Time Series [2.621671379723151]
我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。
我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
論文 参考訳（メタデータ） (2023-11-16T05:06:51Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Bridging the Gap Between Patient-specific and Patient-independent
Seizure Prediction via Knowledge Distillation [7.2666838978096875]
既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。
患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。
提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
論文 参考訳（メタデータ） (2022-02-25T10:30:29Z) - Multi-task fusion for improving mammography screening data
classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。
次に、標準モデルの集合戦略とは対照的に、その融合について検討する。
我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文 参考訳（メタデータ） (2021-12-01T13:56:27Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - Patient-Specific Seizure Prediction Using Single Seizure
Electroencephalography Recording [16.395309518579914]
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。
論文 参考訳（メタデータ） (2020-11-14T03:45:17Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳（メタデータ） (2020-08-10T02:44:52Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。