論文の概要: Automated Seizure Detection and Seizure Type Classification From
Electroencephalography With a Graph Neural Network and Self-Supervised
Pre-Training
- arxiv url: http://arxiv.org/abs/2104.08336v1
- Date: Fri, 16 Apr 2021 20:32:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 14:25:06.115602
- Title: Automated Seizure Detection and Seizure Type Classification From
Electroencephalography With a Graph Neural Network and Self-Supervised
Pre-Training
- Title（参考訳）: グラフニューラルネットワークと自己教師付き事前学習による脳波からの自動発作検出と発作型分類
- Authors: Siyi Tang, Jared A. Dunnmon, Khaled Saab, Xuan Zhang, Qianying Huang,
Florian Dubost, Daniel L. Rubin, Christopher Lee-Messer
- Abstract要約: 本稿では,脳波をグラフとしてモデル化し,自動発作検出と分類のためのグラフニューラルネットワークを提案する。
自己教師付き事前学習を伴うグラフモデルは,これまでのcnnモデルとlstmモデルを大きく上回っている。
- 参考スコア（独自算出の注目度）: 5.770965725405472
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated seizure detection and classification from electroencephalography
(EEG) can greatly improve the diagnosis and treatment of seizures. While prior
studies mainly used convolutional neural networks (CNNs) that assume image-like
structure in EEG signals or spectrograms, this modeling choice does not reflect
the natural geometry of or connectivity between EEG electrodes. In this study,
we propose modeling EEGs as graphs and present a graph neural network for
automated seizure detection and classification. In addition, we leverage
unlabeled EEG data using a self-supervised pre-training strategy. Our graph
model with self-supervised pre-training significantly outperforms previous
state-of-the-art CNN and Long Short-Term Memory (LSTM) models by 6.3 points
(7.8%) in Area Under the Receiver Operating Characteristic curve (AUROC) for
seizure detection and 6.3 points (9.2%) in weighted F1-score for seizure type
classification. Ablation studies show that our graph-based modeling approach
significantly outperforms existing CNN or LSTM models, and that
self-supervision helps further improve the model performance. Moreover, we find
that self-supervised pre-training substantially improves model performance on
combined tonic seizures, a low-prevalence seizure type. Furthermore, our model
interpretability analysis suggests that our model is better at identifying
seizure regions compared to an existing CNN. In summary, our graph-based
modeling approach integrates domain knowledge about EEG, sets a new
state-of-the-art for seizure detection and classification on a large public
dataset (5,499 EEG files), and provides better ability to identify seizure
regions.
- Abstract（参考訳）: 脳波による発作の自動検出と分類は、発作の診断と治療を大幅に改善することができる。
従来の研究では、脳波信号やスペクトログラムで画像のような構造を仮定する畳み込みニューラルネットワーク(cnns)を使用していたが、このモデリングの選択は脳波電極間の自然な形状や接続性を反映していない。
本研究では,脳波をグラフとしてモデル化し,自動発作検出と分類のためのグラフニューラルネットワークを提案する。
さらに,自己教師付き事前学習戦略を用いて,ラベルなし脳波データを活用する。
自己教師付き事前学習によるグラフモデルでは, 発作型分類のための重み付きF1スコアが6.3ポイント (7.8%) , 受信者動作曲線曲線 (AUROC) が6.3ポイント (9.2%) で, 従来のCNNとLong Short-Term Memory (LSTM) モデルよりも有意に優れていた。
アブレーション研究は,既存のcnnモデルやlstmモデルよりもグラフベースのモデリングアプローチが著しく優れており,自己スーパービジョンはモデル性能の向上に寄与することを示した。
さらに, 自己指導型プレトレーニングは, 低頻度のけいれん型, 同時性けいれんのモデル性能を著しく向上させることがわかった。
さらに,本モデルでは,既存のCNNと比較して,発作領域の同定が優れていることが示唆された。
要約すると、我々のグラフベースのモデリングアプローチは、脳波に関するドメイン知識を統合し、大規模なパブリックデータセット(5,499のEEGファイル)上で、発作検出と分類のための新しい最先端技術を設定し、発作領域を識別する能力を向上させる。
関連論文リスト
- 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) - Dynamic GNNs for Precise Seizure Detection and Classification from EEG Data [6.401370088497331]
本稿では,脳波の位置と対応する脳領域のセマンティクスの相互作用を捉える動的グラフニューラルネットワーク(GNN)フレームワークであるNeuroGNNを紹介する。
実世界のデータを用いた実験により、NeuroGNNは既存の最先端モデルよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2024-05-08T21:36:49Z) - HARDC : A novel ECG-based heartbeat classification method to detect
arrhythmia using hierarchical attention based dual structured RNN with
dilated CNN [3.8791511769387625]
不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。
提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。
以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
論文 参考訳（メタデータ） (2023-03-06T13:26:29Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - Spatial Temporal Graph Convolution with Graph Structure Self-learning
for Early MCI Detection [9.11430195887347]
本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。
The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
論文 参考訳（メタデータ） (2022-11-11T12:29:00Z) - A Comparative Study of Graph Neural Networks for Shape Classification in
Neuroimaging [17.775145204666874]
ニューロイメージングにおける形状分類のための幾何学的深層学習の現状について概説する。
ノード機能としてFPFHを使用することで,GNNの性能が大幅に向上し,アウト・オブ・ディストリビューションデータへの一般化が期待できる。
以上の結果から,アルツハイマー病の分類を応用し,臨床的に有意な課題を確定した。
論文 参考訳（メタデータ） (2022-10-29T19:03:01Z) - Improving self-supervised pretraining models for epileptic seizure
detection from EEG data [0.23624125155742057]
本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。
自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
論文 参考訳（メタデータ） (2022-06-28T17:15:49Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z)
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。