論文の概要: Automatic detection of abnormal EEG signals using wavelet feature
extraction and gradient boosting decision tree
- arxiv url: http://arxiv.org/abs/2012.10034v1
- Date: Fri, 18 Dec 2020 03:36:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 18:20:55.973234
- Title: Automatic detection of abnormal EEG signals using wavelet feature
extraction and gradient boosting decision tree
- Title(参考訳): ウェーブレット特徴抽出と勾配増強決定木を用いた異常脳波信号の自動検出
- Authors: Hezam Albaqami, Ghulam Mubashar Hassan, Abdulhamit Subasi and Amitava
Datta
- Abstract要約: 多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。
本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。
CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
- 参考スコア(独自算出の注目度): 2.924868086534434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography is frequently used for diagnostic evaluation of
various brain-related disorders due to its excellent resolution, non-invasive
nature and low cost. However, manual analysis of EEG signals could be strenuous
and a time-consuming process for experts. It requires long training time for
physicians to develop expertise in it and additionally experts have low
inter-rater agreement (IRA) among themselves. Therefore, many Computer Aided
Diagnostic (CAD) based studies have considered the automation of interpreting
EEG signals to alleviate the workload and support the final diagnosis. In this
paper, we present an automatic binary classification framework for brain
signals in multichannel EEG recordings. We propose to use Wavelet Packet
Decomposition (WPD) techniques to decompose the EEG signals into frequency
sub-bands and extract a set of statistical features from each of the selected
coefficients. Moreover, we propose a novel method to reduce the dimension of
the feature space without compromising the quality of the extracted features.
The extracted features are classified using different Gradient Boosting
Decision Tree (GBDT) based classification frameworks, which are CatBoost,
XGBoost and LightGBM. We used Temple University Hospital EEG Abnormal Corpus
V2.0.0 to test our proposed technique. We found that CatBoost classifier
achieves the binary classification accuracy of 87.68%, and outperforms
state-of-the-art techniques on the same dataset by more than 1% in accuracy and
more than 3% in sensitivity. The obtained results in this research provide
important insights into the usefulness of WPD feature extraction and GBDT
classifiers for EEG classification.
- Abstract(参考訳): 脳波検査は、その優れた分解能、非侵襲性、低コストにより、様々な脳関連疾患の診断にしばしば用いられる。
しかし、脳波信号の手動分析は困難であり、専門家にとっては時間がかかる。
医師が専門知識を身につけるのに長い訓練時間が必要であり、また専門家は相互契約(IRA)が低い。
そのため,コンピュータ支援診断(CAD)に基づく多くの研究は,脳波信号の解釈を自動化して作業負荷を軽減し,最終診断を支援することを検討した。
本稿では,多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。
我々は、ウェーブレットパケット分解(WPD)技術を用いて、脳波信号を周波数サブバンドに分解し、選択した各係数から統計的特徴の集合を抽出する。
さらに,抽出された特徴の品質を損なうことなく,特徴空間の次元を小さくする新しい手法を提案する。
抽出した特徴は,CataBoost,XGBoost,LightGBMという,GBDT(Gradient Boosting Decision Tree)ベースの分類フレームワークを用いて分類される。
テンプル大学病院における脳波異常コーパスv2.0.0を用いて実験を行った。
CatBoost分類器は87.68%のバイナリ分類精度を達成し、同じデータセット上の最先端技術よりも1%以上、感度は3%以上向上することがわかった。
本研究は,脳波分類におけるWPD特徴抽出とGBDT分類器の有用性について重要な知見を提供する。
関連論文リスト
- Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Wavelet-Based Multi-Class Seizure Type Classification System [2.1915057426589746]
本稿では,Dual-tree Complex Wavelet Transform (DTCWT) を用いて脳波信号から特定の特徴を抽出し,それらを分類する手法を提案する。
F1スコアの重み付けを99.1%, 74.7%とした。
論文 参考訳(メタデータ) (2022-02-19T23:58:01Z) - Automated Feature Extraction on AsMap for Emotion Classification using
EEG [0.0]
異なる脳領域の非対称性は、脳波信号の差動エントロピー(DE)特徴からAsMapと呼ばれる2次元ベクトルで捉えられる。
AsMapsは、畳み込みニューラルネットワーク(CNN)モデルを使用して、自動的に機能を抽出するために使用される。
SEEDデータセットを用いた3クラス分類問題において,97.10%の最高分類精度が達成された。
論文 参考訳(メタデータ) (2022-01-28T11:38:29Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳(メタデータ) (2021-12-18T14:17:49Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - An Efficient Epileptic Seizure Detection Technique using Discrete
Wavelet Transform and Machine Learning Classifiers [0.0]
本稿では,離散ウェーブレット変換(DWT)と機械学習分類器を用いたてんかん検出手法を提案する。
DWTは、周波数帯域の異なる信号のより良い分解を提供するため、特徴抽出に使われてきた。
論文 参考訳(メタデータ) (2021-09-26T18:30:04Z) - Detection of Epileptic Seizures on EEG Signals Using ANFIS Classifier,
Autoencoders and Fuzzy Entropies [9.861415775909663]
脳波信号はてんかん発作の検出に広く用いられている。
本稿ではファジィ理論と深層学習技術を用いた新しい診断手法を提案する。
論文 参考訳(メタデータ) (2021-09-06T11:02:25Z) - A Plant Root System Algorithm Based on Swarm Intelligence for
One-dimensional Biomedical Signal Feature Engineering [1.52292571922932]
本研究では,グループインテリジェンスに基づく特徴抽出アルゴリズムを提案し,これをPlant Root System (PRS)アルゴリズムと呼ぶ。
提案アルゴリズムを用いて臨床診断により多くの生体信号を適用することが可能であることが期待されている。
論文 参考訳(メタデータ) (2021-07-31T11:00:32Z) - High Frequency EEG Artifact Detection with Uncertainty via Early Exit
Paradigm [70.50499513259322]
現在のアーティファクト検出パイプラインはリソース不足であり、手作りの機能に大きく依存している。
高周波脳波アーチファクト検出のためのディープラーニングフレームワークであるE4Gを提案する。
われわれのフレームワークは初期の出口パラダイムを利用して、不確実性を捉えることのできるモデルの暗黙のアンサンブルを構築している。
論文 参考訳(メタデータ) (2021-07-21T07:05:42Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳(メタデータ) (2021-03-18T11:01:21Z)
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。