論文の概要: A Raspberry Pi-based Traumatic Brain Injury Detection System for
Single-Channel Electroencephalogram
- arxiv url: http://arxiv.org/abs/2101.10869v2
- Date: Fri, 29 Jan 2021 06:26:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-20 13:35:19.927947
- Title: A Raspberry Pi-based Traumatic Brain Injury Detection System for
Single-Channel Electroencephalogram
- Title(参考訳): raspberry piを用いた単チャンネル脳波のための外傷性脳損傷検出システム
- Authors: Navjodh Singh Dhillon, Agustinus Sutandi, Manoj Vishwanath, Miranda M.
Lim, Hung Cao, Dong Si
- Abstract要約: 外傷性脳損傷の診断のための既存のツールは、主観的または広範な臨床設定と専門知識を必要とする。
本稿では,機械学習を用いてtbiを効率的に識別するraspberry piベースのポータブル,リアルタイムデータ取得,自動処理システムについて述べる。
ピーク分類精度は最大90%以上であり, TBIと制御条件の比較では, 16秒から64秒までの分類時間が1秒未満である。
- 参考スコア(独自算出の注目度): 0.6282171844772422
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traumatic Brain Injury (TBI) is a common cause of death and disability.
However, existing tools for TBI diagnosis are either subjective or require
extensive clinical setup and expertise. The increasing affordability and
reduction in size of relatively high-performance computing systems combined
with promising results from TBI related machine learning research make it
possible to create compact and portable systems for early detection of TBI.
This work describes a Raspberry Pi based portable, real-time data acquisition,
and automated processing system that uses machine learning to efficiently
identify TBI and automatically score sleep stages from a single-channel
Electroen-cephalogram (EEG) signal. We discuss the design, implementation, and
verification of the system that can digitize EEG signal using an Analog to
Digital Converter (ADC) and perform real-time signal classification to detect
the presence of mild TBI (mTBI). We utilize Convolutional Neural Networks (CNN)
and XGBoost based predictive models to evaluate the performance and demonstrate
the versatility of the system to operate with multiple types of predictive
models. We achieve a peak classification accuracy of more than 90% with a
classification time of less than 1 s across 16 s - 64 s epochs for TBI vs
control conditions. This work can enable development of systems suitable for
field use without requiring specialized medical equipment for early TBI
detection applications and TBI research. Further, this work opens avenues to
implement connected, real-time TBI related health and wellness monitoring
systems.
- Abstract(参考訳): 外傷性脳損傷(TBI)は、死と障害の一般的な原因である。
しかし、既存のtbi診断ツールは主観的または広範な臨床設定と専門知識を必要とする。
TBI関連機械学習研究の有望な成果と相まって、比較的高性能なコンピュータシステムの可利用性と小型化により、TBIを早期に検出するためのコンパクトでポータブルなシステムを構築することができる。
本研究は,機械学習を用いてtbiを効率的に識別し,単一チャネル脳波(eeg)信号から睡眠ステージを自動的にスコアリングする,raspberry piベースのポータブル,リアルタイムデータ取得,自動処理システムについて述べる。
本稿では,ADC(Analog to Digital Converter)を用いて脳波信号をデジタル化するシステムの設計,実装,検証について論じ,軽度TBI(mTBI)の存在を検出するためにリアルタイム信号分類を行う。
畳み込みニューラルネットワーク(CNN)とXGBoostに基づく予測モデルを用いて、性能を評価し、複数の種類の予測モデルで動作するシステムの汎用性を実証する。
ピーク分類精度は最大90%以上であり, TBIと制御条件の比較では, 16秒から64秒までの分類時間が1秒未満である。
本研究は,早期tbi検出およびtbi研究のための医療機器を必要とせずに,現場利用に適したシステムの開発を可能にする。
さらに、この研究は、接続されたリアルタイムTBI関連健康・健康モニタリングシステムを実装するための道を開く。
関連論文リスト
- Robotic Navigation Autonomy for Subretinal Injection via Intelligent
Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。
提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。
ブタ前眼の精度と再現性について実験を行った。
論文 参考訳(メタデータ) (2023-01-17T21:41:21Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [123.8534356845092]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己監督型予測畳み込み阻止ブロック(SSPCAB)を3次元マスク付き畳み込み層で拡張する。
このブロックは,医療画像やサーマルビデオに異常検出を加えることで,幅広いタスクに適用可能であることを示す。
論文 参考訳(メタデータ) (2022-09-25T04:56:10Z) - An intertwined neural network model for EEG classification in
brain-computer interfaces [0.6696153817334769]
脳コンピュータインタフェース(BCI)は、脳とコンピュータまたは外部装置との間の非刺激的直接的、時折双方向通信リンクである。
マルチクラスモータ画像分類における最先端性能を実現するために特別に設計されたディープニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-08-04T09:00:34Z) - 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) - Designing ECG Monitoring Healthcare System with Federated Transfer
Learning and Explainable AI [4.694126527114577]
我々は、ECGベースの医療アプリケーションのための連合環境で、新しい説明可能な人工知能(XAI)ベースのディープラーニングフレームワークを設計する。
提案したフレームワークは、MIT-BIH Arrhythmiaデータベースを使用してトレーニングされ、テストされた。
論文 参考訳(メタデータ) (2021-05-26T11:59:44Z) - Demonstrating Analog Inference on the BrainScaleS-2 Mobile System [0.0]
BrainScaleS-2 ASICに基づくコンパクトなアナログ推論エンジンとして,BrainScaleS-2モバイルシステムを提案する。
医療用心電図データセットを分類する能力を示す。
このシステムは、小型、パワーエンベロープ、柔軟なI/O機能により、エッジ推論アプリケーションに直接適用できます。
論文 参考訳(メタデータ) (2021-03-29T21:22:15Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳(メタデータ) (2021-02-25T14:24:49Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳(メタデータ) (2021-01-24T19:03:10Z) - Deep Learning-Based Arrhythmia Detection Using RR-Interval Framed
Electrocardiograms [9.884633954053344]
ディープラーニングは、生体認証セキュリティアプリケーションにおける個人認証を実現するために使用することができる。
我々は,連続したRピーク間の距離を表す時間スライスされた心電図データを用いた不整脈検出モデルを開発した。
この小型システムは、ウェアラブルデバイスやリアルタイム監視機器に実装することができる。
論文 参考訳(メタデータ) (2020-12-01T09:10:24Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳(メタデータ) (2020-07-31T14:34:47Z) - Graph Neural Networks for Leveraging Industrial Equipment Structure: An
application to Remaining Useful Life Estimation [21.297461316329453]
本稿では,複雑な機器の構造をグラフ形式で把握し,マルチセンサ時系列データをモデル化するためにグラフニューラルネットワーク(GNN)を用いる。
我々は,提案したGNNに基づくRUL推定モデルが,RNNやCNNをベースとした文学からの強いベースラインと好意的に比較した。
論文 参考訳(メタデータ) (2020-06-30T06:38:08Z)
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。