論文の概要: An End-to-End Deep Learning Approach for Epileptic Seizure Prediction

• arxiv url: http://arxiv.org/abs/2108.07453v1
• Date: Tue, 17 Aug 2021 05:49:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-18 13:07:33.568973
• Title: An End-to-End Deep Learning Approach for Epileptic Seizure Prediction
• Title（参考訳）: Epileptic Seizure 予測のためのエンド・ツー・エンド深層学習手法
• Authors: Yankun Xu, Jie Yang, Shiqi Zhao, Hemmings Wu, and Mohamad Sawan
• Abstract要約: 畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。 総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
• 参考スコア（独自算出の注目度）: 4.094649684498489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An accurate seizure prediction system enables early warnings before seizure onset of epileptic patients. It is extremely important for drug-refractory patients. Conventional seizure prediction works usually rely on features extracted from Electroencephalography (EEG) recordings and classification algorithms such as regression or support vector machine (SVM) to locate the short time before seizure onset. However, such methods cannot achieve high-accuracy prediction due to information loss of the hand-crafted features and the limited classification ability of regression and SVM algorithms. We propose an end-to-end deep learning solution using a convolutional neural network (CNN) in this paper. One and two dimensional kernels are adopted in the early- and late-stage convolution and max-pooling layers, respectively. The proposed CNN model is evaluated on Kaggle intracranial and CHB-MIT scalp EEG datasets. Overall sensitivity, false prediction rate, and area under receiver operating characteristic curve reaches 93.5%, 0.063/h, 0.981 and 98.8%, 0.074/h, 0.988 on two datasets respectively. Comparison with state-of-the-art works indicates that the proposed model achieves exceeding prediction performance.
• Abstract（参考訳）: 正確な発作予知システムは、てんかん患者の発作発生前に早期警告を可能にする。 薬剤耐性患者にとって極めて重要である。 従来の発作予測作業は通常、脳波記録(EEG)から抽出された特徴と回帰やサポートベクターマシン(SVM)などの分類アルゴリズムに依存して、発作発生前の短い時間を見つける。 しかし,手作り特徴の情報損失や回帰アルゴリズムやsvmアルゴリズムの分類能力の制限などにより,高精度な予測は不可能である。 本稿では,畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドのディープラーニングソリューションを提案する。 1次元と2次元のカーネルは、それぞれ初期および後期の畳み込み層とマックスプール層に採用されている。 提案したCNNモデルは,Kaggleの頭蓋内およびCHB-MIT頭皮EEGデータセットを用いて評価する。 総合感度、誤予測率、受信機動作特性曲線下の面積はそれぞれ93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。 最新技術との比較は,提案モデルが予測性能を超えることを示唆する。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Epilepsy Seizure Detection and Prediction using an Approximate Spiking Convolutional Transformer [12.151626573534001]
  本稿では, てんかん発作セグメントを検出し, 予測するために, ニューロモルフィック・スパイキング・コンボリューション・トランス (Spking Convolutional Transformer) を提案する。 ボストン小児病院-MIT(CHB-MIT)脳波データセットを用いたスパイキング・コンフォーマーモデルによる評価結果について報告する。 生の脳波データを入力として使用することにより、提案されたスパイキングコンフォーマーの平均感度は94.9%、特異度は99.3%に達した。
  論文  参考訳（メタデータ） (2024-01-21T19:23:56Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• 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)
• Binary Single-dimensional Convolutional Neural Network for Seizure Prediction [4.42106872060105]
  てんかん発作予測のための2次元畳み込みニューラルネットワーク(BSDCNN)を提案する。 BSDCNNは1D畳み込みカーネルを使用して予測性能を向上させる。 曲線、感度、誤予測率は0.915、89.26%、0.117/h、0.970、94.69%、0.095/hに達する。
  論文  参考訳（メタデータ） (2022-06-08T09:27:37Z)
• 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)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily Long Videos of Seizures [58.720142291102135]
  てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。 本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。 本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
  論文  参考訳（メタデータ） (2021-06-22T18:40:31Z)
• A Novel Multi-scale Dilated 3D CNN for Epileptic Seizure Prediction [6.688907774518885]
  脳波(eeg)信号の時間,周波数,チャネル情報を解析するために,新しい畳み込みニューラルネットワーク(cnn)を提案する。 モデルは3次元(3D)カーネルを使用して、3次元上の特徴抽出を容易にする。 提案されたCNNモデルはCHB-MIT EEGデータベースで評価され,本モデルが既存の最新技術を上回ることを実験的に示した。
  論文  参考訳（メタデータ） (2021-05-05T07:13:53Z)
• A Generative Model to Synthesize EEG Data for Epileptic Seizure Prediction [3.8271082752302137]
  本稿では, 合成脳波サンプルを生成するための深層畳み込み生成対向ネットワークを提案する。 我々は合成データ、すなわち1クラスSVMと、畳み込みてんかん発作予測器(CESP)と呼ばれる新しい提案を2つの手法で検証する。 以上の結果から,CESPモデルでは78.11%,88.21%,FPR0.27/h,0.14/hの感度が得られた。
  論文  参考訳（メタデータ） (2020-12-01T12:00:36Z)
• 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)

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。