論文の概要: Shift-invariant waveform learning on epileptic ECoG

• arxiv url: http://arxiv.org/abs/2108.03177v1
• Date: Fri, 6 Aug 2021 15:47:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:23:17.267845
• Title: Shift-invariant waveform learning on epileptic ECoG
• Title（参考訳）: てんかん性ECoGにおけるシフト不変波形学習
• Authors: Carlos H. Mendoza-Cardenas and Austin J. Brockmeier
• Abstract要約: 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。
• 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: Seizure detection algorithms must discriminate abnormal neuronal activity associated with a seizure from normal neural activity in a variety of conditions. Our approach is to seek spatiotemporal waveforms with distinct morphology in electrocorticographic (ECoG) recordings of epileptic patients that are indicative of a subsequent seizure (preictal) versus non-seizure segments (interictal). To find these waveforms we apply a shift-invariant k-means algorithm to segments of spatially filtered signals to learn codebooks of prototypical waveforms. The frequency of the cluster labels from the codebooks is then used to train a binary classifier that predicts the class (preictal or interictal) of a test ECoG segment. We use the Matthews correlation coefficient to evaluate the performance of the classifier and the quality of the codebooks. We found that our method finds recurrent non-sinusoidal waveforms that could be used to build interpretable features for seizure prediction and that are also physiologically meaningful.
• Abstract（参考訳）: 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の発作に関連する異常な神経活動を識別しなければならない。 本手法は、てんかん患者に対する脳波記録(ecog)において、後続発作(preictal)と非敗血症(non-seizure segment)(interictal)の異なる形態の時空間波形を求めることである。 これらの波形を見つけるために、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、原型波形のコードブックを学習する。 コードブックからのクラスタラベルの頻度は、テストecogセグメントのクラス(前または間期)を予測するバイナリ分類器をトレーニングするために使用される。 我々はマシューズ相関係数を用いて分類器の性能とコードブックの品質を評価する。 発作予測のための解釈可能な特徴を構築でき,生理的にも有意な非正弦波波形が繰り返し現れることがわかった。

関連論文リスト

• Seizure detection from Electroencephalogram signals via Wavelets and Graph Theory metrics [1.62510160294292]
  てんかん(てんかん、英: epilepsy)は、てんかん発作が脳の異常、過剰、同期的な活動による過度な発生である、最も一般的な神経疾患の1つである。 脳波信号は、脳から放出され、分析され、てんかん発作の検出と予測に重要な役割を果たす。
  論文  参考訳（メタデータ） (2023-11-28T01:07:14Z)
• 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)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Searching for waveforms on spatially-filtered epileptic ECoG [1.7948767405202701]
  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。
  論文  参考訳（メタデータ） (2021-03-25T14:05:08Z)
• Automatic Feature Extraction for Heartbeat Anomaly Detection [7.054093620465401]
  医療における異常検出の応用を目的とした、生音声の心拍音の自動抽出に着目する。 1次元非コーダ畳み込みエンコーダとウェーブネットデコーダで構成したオートエンコーダの助けを借りて,特徴を学習する。
  論文  参考訳（メタデータ） (2021-02-24T13:55:24Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Combining Scatter Transform and Deep Neural Networks for Multilabel Electrocardiogram Signal Classification [0.6117371161379209]
  我々は、深い残留ニューラルネットワーク(ResNet)に、散乱変換と呼ばれる複素ウェーブレット変換の変種を組み込む。 このアプローチでは、挑戦検証スコアが0.640、完全テストスコアが0.485となり、公式ランキングで41中4位になった。
  論文  参考訳（メタデータ） (2020-10-15T10:13:31Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Gravitational-wave selection effects using neural-network classifiers [0.0]
  我々は、コンパクトバイナリ・マージから重力波信号のLIGO/Virgo検出性を予測するために、一連のニューラルネットワーク分類器を訓練する。 スピン沈降、高次モード、複数検出器の影響を含める。 我々のアプローチは完全なパイプライン注入と併用できるので、天体物理学とノイズトリガーの実際の分布を重力波の人口分析に含めるための道を開くことができる。
  論文  参考訳（メタデータ） (2020-07-13T18:00:04Z)

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。