論文の概要: Deep Learning for EEG Seizure Detection in Preterm Infants

• arxiv url: http://arxiv.org/abs/2106.00611v1
• Date: Fri, 28 May 2021 14:03:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 08:05:32.463410
• Title: Deep Learning for EEG Seizure Detection in Preterm Infants
• Title（参考訳）: 早産児の脳波発作検出のための深層学習
• Authors: Alison OShea, Rehan Ahmed, Gordon Lightbody, Sean Mathieson, Elena Pavlidis, Rhodri Lloyd, Francesco Pisani, Willian Marnane, Geraldine Boylan, Andriy Temko
• Abstract要約: 本稿では,乳幼児の新生児発作検出のための新しい深層学習(DL)アーキテクチャについて検討する。 本研究は, 早期乳児を対象とした脳波発作検出アルゴリズムの精度が, 完全長期乳児に対して達成される性能にかなり劣っていることを示すものである。
• 参考スコア（独自算出の注目度）: 1.3002050979054345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: EEG is the gold standard for seizure detection in the newborn infant, but EEG interpretation in the preterm group is particularly challenging; trained experts are scarce and the task of interpreting EEG in real-time is arduous. Preterm infants are reported to have a higher incidence of seizures compared to term infants. Preterm EEG morphology differs from that of term infants, which implies that seizure detection algorithms trained on term EEG may not be appropriate. The task of developing preterm specific algorithms becomes extra-challenging given the limited amount of annotated preterm EEG data available. This paper explores novel deep learning (DL) architectures for the task of neonatal seizure detection in preterm infants. The study tests and compares several approaches to address the problem: training on data from full-term infants; training on data from preterm infants; training on age-specific preterm data and transfer learning. The system performance is assessed on a large database of continuous EEG recordings of 575h in duration. It is shown that the accuracy of a validated term-trained EEG seizure detection algorithm, based on a support vector machine classifier, when tested on preterm infants falls well short of the performance achieved for full-term infants. An AUC of 88.3% was obtained when tested on preterm EEG as compared to 96.6% obtained when tested on term EEG. When re-trained on preterm EEG, the performance marginally increases to 89.7%. An alternative DL approach shows a more stable trend when tested on the preterm cohort, starting with an AUC of 93.3% for the term-trained algorithm and reaching 95.0% by transfer learning from the term model using available preterm data.
• Abstract（参考訳）: eegは新生児の発作検出のための金の標準であるが、初期群における脳波の解釈は特に困難であり、訓練された専門家は不足しており、脳波をリアルタイムで解釈する作業は困難である。 早期の乳児は、長期の乳児に比べて発作の発生率が高いと報告されている。 脳波の短期的形態は、幼児期と異なり、脳波で訓練された発作検出アルゴリズムが適切でない可能性がある。 事前特定アルゴリズムを開発するタスクは、注釈付き事前脳波データの限られた量を考慮すれば、余計に複雑になる。 本稿では,乳幼児の新生児発作検出のための新しい深層学習(DL)アーキテクチャについて検討する。 この研究は、この問題に対処するためのいくつかのアプローチをテストし比較する: フルタイムの幼児のデータに関するトレーニング、プレタイムの幼児のデータに関するトレーニング、年齢固有の事前データに関するトレーニング、トランスファーラーニング。 持続時間575hの連続脳波記録の大規模なデータベース上でシステム性能を評価する。 支援ベクターマシン分類器に基づく検証された脳波発作検出アルゴリズムの精度は, 未熟児でのテストでは, 実児で達成した性能にかなり及ばないことが示された。 早期脳波検査では88.3%が得られたが、短期脳波検査では96.6%が得られた。 初期脳波で再訓練すると、パフォーマンスはわずかに89.7%向上する。 代替のDLアプローチは、事前のコホートでテストする際のより安定した傾向を示し、項訓練されたアルゴリズムのAUCは93.3%から始まり、利用可能な事前データを使用して用語モデルからの移行学習によって95.0%に達する。

関連論文リスト

• Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
  我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。 オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。 各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
  論文  参考訳（メタデータ） (2024-07-20T13:49:14Z)
• Using Explainable AI for EEG-based Reduced Montage Neonatal Seizure Detection [2.206534289238751]
  新生児発作検出のゴールドスタンダードは、現在連続したビデオEEGモニタリングに依存している。 脳波モンタージュを低減した新生児発作検出プロセスを自動化するための新しい説明可能な深層学習モデルを提案する。 提案したモデルは、それぞれ曲線下面積(AUC)とリコールにおける8.31%と42.86%の絶対的な改善を達成している。
  論文  参考訳（メタデータ） (2024-06-04T10:53:56Z)
• 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)
• Predicting Adverse Neonatal Outcomes for Preterm Neonates with Multi-Task Learning [51.487856868285995]
  われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。 特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
  論文  参考訳（メタデータ） (2023-03-28T00:44:06Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• Scalable Machine Learning Architecture for Neonatal Seizure Detection on Ultra-Edge Devices [0.0]
  本研究では,機械学習(ML)に基づくアーキテクチャを提案する。 本研究で選択した標準MLモデルよりも6%高い87%の感度を達成した。
  論文  参考訳（メタデータ） (2021-11-29T12:42:13Z)
• 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)
• Random Forest classifier for EEG-based seizure prediction [0.12183405753834559]
  本稿では,機械学習を用いたてんかん発作予測手法を提案する。 発作予測地平線(SPH)を5分,発作発生期間(SOP)を30分とするベンチマーク頭皮脳波CHB-MITデータセットの20例について検討した。 提案手法は感度82.07 %,低偽陽性率0.0799/hを実現している。
  論文  参考訳（メタデータ） (2021-06-02T15:46:35Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• Grading the severity of hypoxic-ischemic encephalopathy in newborn EEG using a convolutional neural network [3.2498534294827044]
  本研究では、深層畳み込みニューラルネットワークを用いて、生の脳波データ内の階層的表現を学習する、新しいエンドツーエンドアーキテクチャを提案する。 本システムは低酸素性虚血性脳症を4段階に分類し,54人の新生児から63時間の多チャンネル脳波データセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-05-12T05:58:27Z)
• 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)

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。