論文の概要: Searching for waveforms on spatially-filtered epileptic ECoG

• arxiv url: http://arxiv.org/abs/2103.13853v1
• Date: Thu, 25 Mar 2021 14:05:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 13:22:48.090916
• Title: Searching for waveforms on spatially-filtered epileptic ECoG
• Title（参考訳）: 空間フィルタ型てんかん性ECoGにおける波形の探索
• Authors: Carlos H. Mendoza-Cardenas and Austin J. Brockmeier
• Abstract要約: 発作はてんかんの患者の定義症状の1つであり、その発表されていない発生のために、それに苦しむ個人に深刻なリスクを及ぼす可能性があります。 新しい研究は、差し迫った発作の予測と先制化に有望な未来を示している。 データ駆動波形学習手法は、発作予測のための予測力を持つ機能に貢献する可能性を秘めている。
• 参考スコア（独自算出の注目度）: 1.7948767405202701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Seizures are one of the defining symptoms in patients with epilepsy, and due to their unannounced occurrence, they can pose a severe risk for the individual that suffers it. New research efforts are showing a promising future for the prediction and preemption of imminent seizures, and with those efforts, a vast and diverse set of features have been proposed for seizure prediction algorithms. However, the data-driven discovery of nonsinusoidal waveforms for seizure prediction is lacking in the literature, which is in stark contrast with recent works that show the close connection between the waveform morphology of neural oscillations and the physiology and pathophysiology of the brain, and especially its use in effectively discriminating between normal and abnormal oscillations in electrocorticographic (ECoG) recordings of epileptic patients. Here, we explore a scalable, energy-guided waveform search strategy on spatially-projected continuous multi-day ECoG data sets. Our work shows that data-driven waveform learning methods have the potential to not only contribute features with predictive power for seizure prediction, but also to facilitate the discovery of oscillatory patterns that could contribute to our understanding of the pathophysiology and etiology of seizures.
• Abstract（参考訳）: シーズーレはてんかん患者において決定的な症状の1つであり、未発表の症状のため、患者に深刻な危険を及ぼす可能性がある。 新しい研究は差し迫った発作の予測と先延ばしに有望な未来を示しており、これらの取り組みにより、発作予測アルゴリズムに広範囲で多様な機能セットが提案されている。 しかし、発作予測のための非正弦波波形のデータ駆動による発見は、神経振動の波形形態と脳の生理・病態との密接な関係を示す最近の研究と対照的に、特にてんかん患者のてんかん患者の脳電図(ECoG)記録における正常な振動と異常な振動とを効果的に識別するために用いられる文献に欠けている。 本稿では,空間計画型連続マルチデイECoGデータセットにおける拡張性,エネルギー誘導型波形探索手法について検討する。 我々の研究は、データ駆動波形学習法が、発作予測の予測力に寄与するだけでなく、発作の病態や病因の理解に寄与する振動パターンの発見を促進する可能性があることを示唆している。

関連論文リスト

• 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)
• 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)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph Diffusion Learning [21.689503325383253]
  実世界のSEEGデータセットにおけるてんかん性波を検出するための,最初のデータ駆動型研究を提案する。 臨床的には、てんかん波の活動は脳の異なる領域間で伝播していると考えられている。 各患者に対して正確なてんかん原性ネットワークをどうやって抽出するかという問題は、神経科学の分野では未解決の問題のままである。
  論文  参考訳（メタデータ） (2023-06-15T08:29:10Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• 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)
• Shift-invariant waveform learning on epileptic ECoG [1.7948767405202701]
  セイズール検出アルゴリズムは、様々な条件下で正常な神経活動から発作に関連する異常な活動を識別しなければならない。 我々は、空間フィルタされた信号のセグメントにシフト不変k平均アルゴリズムを適用し、波形のコードブックを学習する。 発作予測のための解釈可能な特徴を構築するのに使える非正弦波波形が再発しており、生理的にも有意である。
  論文  参考訳（メタデータ） (2021-08-06T15:47:17Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Machine Learning for Predicting Epileptic Seizures Using EEG Signals: A Review [1.7959899851975951]
  脳波信号を用いた発作の早期予測における最先端ML手法のレビューを行う。 前もって予測できた場合、てんかん発作の悪影響から患者を救える。 MLベースのアルゴリズムには、てんかん発作の早期かつ正確な予測においてパラダイムシフトをもたらす可能性がある、エキサイティングな新しい展開がある。
  論文  参考訳（メタデータ） (2020-02-04T06:22:24Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。