論文の概要: Automatic Seizure Detection Using the Pulse Transit Time

• arxiv url: http://arxiv.org/abs/2107.05894v1
• Date: Tue, 13 Jul 2021 07:46:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 23:41:39.082825
• Title: Automatic Seizure Detection Using the Pulse Transit Time
• Title（参考訳）: パルストランジット時間を用いた自動発作検出
• Authors: Eric Fiege, Salima Houta, Pinar Bisgin, Rainer Surges, Falk Howar
• Abstract要約: セイズールは、センサーによる検出のためにまだ研究されていない患者の動脈血圧に影響を与える可能性がある。 本研究では、クロックドリフトを考慮したPTTの変化に対応するアルゴリズムを提案する。 以上の結果から,ランダムフォレストによる発作検出が可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Documentation of epileptic seizures plays an essential role in planning medical therapy. Solutions for automated epileptic seizure detection can help improve the current problem of incomplete and erroneous manual documentation of epileptic seizures. In recent years, a number of wearable sensors have been tested for this purpose. However, detecting seizures with subtle symptoms remains difficult and current solutions tend to have a high false alarm rate. Seizures can also affect the patient's arterial blood pressure, which has not yet been studied for detection with sensors. The pulse transit time (PTT) provides a noninvasive estimate of arterial blood pressure. It can be obtained by using to two sensors, which are measuring the time differences between arrivals of the pulse waves. Due to separated time chips a clock drift emerges, which is strongly influencing the PTT. In this work, we present an algorithm which responds to alterations in the PTT, considering the clock drift and enabling the noninvasive monitoring of blood pressure alterations using separated sensors. Furthermore we investigated whether seizures can be detected using the PTT. Our results indicate that using the algorithm, it is possible to detect seizures with a Random Forest. Using the PTT along with other signals in a multimodal approach, the detection of seizures with subtle symptoms could thereby be improved.
• Abstract（参考訳）: てんかん発作のドキュメンテーションは治療計画において重要な役割を担っている。 てんかん発作の自動検出の解決策は、てんかん発作の非完全および誤マニュアルの現在の問題を改善するのに役立つ。 近年、この目的のために多くのウェアラブルセンサーがテストされている。 しかし、微妙な症状を伴う発作の検出は依然として困難であり、現在の解決策は誤報率が高い傾向がある。 発作は患者の血圧にも影響するが、センサーによる検出はまだ研究されていない。 パルス通過時間(PTT)は動脈血圧の非侵襲的推定を提供する。 パルス波の到来時間差を測定する2つのセンサを使用することで得られる。 タイムチップの分離により、クロックドリフトが出現し、PTTに強い影響を及ぼす。 本研究では,PTTの変動に応答し,クロックドリフトを考慮し,分離センサを用いた非侵襲的血圧変動モニタリングを可能にするアルゴリズムを提案する。 さらに,PTTを用いて発作を検出できるかどうかを検討した。 以上の結果から,ランダムフォレストによる発作検出が可能であることが示唆された。 マルチモーダルアプローチでpttを他の信号と併用することで、微妙な症状を伴う発作の検出を改善することができる。

関連論文リスト

• Lightweight Convolution Transformer for Cross-patient Seizure Detection in Multi-channel EEG Signals [0.0]
  本研究では、新しいディープラーニングアーキテクチャに基づく軽量畳み込み変換器(LCT)を提案する。 変換器は、多チャンネル脳波(EEG)信号から空間的および時間的相関情報を同時に学習し、より小さなセグメント長で発作を検出する。
  論文  参考訳（メタデータ） (2023-05-07T16:43:52Z)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• Real-Time Seizure Detection using EEG: A Comprehensive Comparison of Recent Approaches under a Realistic Setting [7.545072251531297]
  この研究は、実世界のアプリケーションに適したリアルタイムの発作検出フレームワークにおいて、最先端のモデルと信号特徴抽出器を広範囲に比較する。 私たちのコードはhttps://github.com/AITRICS/EEG_real_time_seizure_detectionで利用可能です。
  論文  参考訳（メタデータ） (2022-01-21T16:53:32Z)
• 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 Deep Learning Approach to Predict Blood Pressure from PPG Signals [10.028103259763352]
  血圧(BP)は、身体の生命維持機能を示す4つの主要な重要な兆候の1つである。 PPG信号に基づいてBPを推定するために,3層ディープニューラルネットワークを用いた高度なデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2021-07-30T22:45:34Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions Artefacts in MRI Scans [63.28835187934139]
  本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。 提案法は患者の多動運動によって生成された人工物に応用できる。
  論文  参考訳（メタデータ） (2020-06-24T15:25:11Z)
• Aortic Pressure Forecasting with Deep Sequence Learning [23.571482805855755]
  平均大動脈圧(MAP)は、すべての臓器系における灌流の主要な決定因子である。 本研究の目的は,5分前の25Hzの時系列データを入力として,平均大動脈圧を5分前に予測することであった。
  論文  参考訳（メタデータ） (2020-05-12T01:07:25Z)
• 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。