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: 翻訳完了
• 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

• Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
  機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。 本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
  論文  参考訳（メタデータ） (2024-12-07T08:29:44Z)
• 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)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• An embedding for EEG signals learned using a triplet loss [0.0]
  脳-コンピュータインタフェース(BCI)では、デコードされた脳状態情報を最小の時間遅延で使用することができる。 このようなデコードタスクの課題は、小さなデータセットサイズによって引き起こされる。 神経生理学的データのための新しいドメイン特異的埋め込みを提案する。
  論文  参考訳（メタデータ） (2023-03-23T09:05:20Z)
• 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)
• Application of federated learning techniques for arrhythmia classification using 12-lead ECG signals [0.11184789007828977]
  この作業では、フェデレートラーニング(FL)プライバシ保護方法論を使用して、高定義のECGの異種集合上でAIモデルをトレーニングする。 CL, IID, 非IIDアプローチを用いて訓練したモデルと比較した。
  論文  参考訳（メタデータ） (2022-08-23T14:21:16Z)
• 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)

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。