論文の概要: Detection of Epileptic Seizures on EEG Signals Using ANFIS Classifier,
Autoencoders and Fuzzy Entropies
- arxiv url: http://arxiv.org/abs/2109.04364v1
- Date: Mon, 6 Sep 2021 11:02:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-10 13:59:41.256631
- Title: Detection of Epileptic Seizures on EEG Signals Using ANFIS Classifier,
Autoencoders and Fuzzy Entropies
- Title（参考訳）: anfis分類器,オートエンコーダ,ファジィエントロピーを用いた脳波信号のてんかん発作の検出
- Authors: Afshin Shoeibi, Navid Ghassemi, Marjane Khodatars, Parisa Moridian,
Roohallah Alizadehsani, Assef Zare, Abbas Khosravi, Abdulhamit Subasi, U.
Rajendra Acharya, J. Manuel Gorriz
- Abstract要約: 脳波信号はてんかん発作の検出に広く用いられている。
本稿ではファジィ理論と深層学習技術を用いた新しい診断手法を提案する。
- 参考スコア（独自算出の注目度）: 9.861415775909663
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Epilepsy is one of the most crucial neurological disorders, and its early
diagnosis will help the clinicians to provide accurate treatment for the
patients. The electroencephalogram (EEG) signals are widely used for epileptic
seizures detection, which provides specialists with substantial information
about the functioning of the brain. In this paper, a novel diagnostic procedure
using fuzzy theory and deep learning techniques are introduced. The proposed
method is evaluated on the Bonn University dataset with six classification
combinations and also on the Freiburg dataset. The tunable-Q wavelet transform
(TQWT) is employed to decompose the EEG signals into different sub-bands. In
the feature extraction step, 13 different fuzzy entropies are calculated from
different sub-bands of TQWT, and their computational complexities are
calculated to help researchers choose the best feature sets. In the following,
an autoencoder (AE) with six layers is employed for dimensionality reduction.
Finally, the standard adaptive neuro-fuzzy inference system (ANFIS), and also
its variants with grasshopper optimization algorithm (ANFIS-GOA), particle
swarm optimization (ANFIS-PSO), and breeding swarm optimization (ANFIS-BS)
methods are used for classification. Using our proposed method, ANFIS-BS method
has obtained an accuracy of 99.74% in classifying into two classes and an
accuracy of 99.46% in ternary classification on the Bonn dataset and 99.28% on
the Freiburg dataset, reaching state-of-the-art performances on both of them.
- Abstract（参考訳）: てんかんは最も重要な神経疾患の1つで、その早期診断は臨床医が患者に正確な治療を提供するのに役立つ。
脳波(EEG)信号はてんかん発作の検出に広く使われており、脳の機能に関する重要な情報を提供する。
本稿ではファジィ理論と深層学習技術を用いた新しい診断手法を提案する。
提案手法はボン大学データセットとフライブルクデータセットの6つの分類組み合わせを用いて評価した。
チューナブルQウェーブレット変換(TQWT)は、脳波信号を異なるサブバンドに分解するために用いられる。
特徴抽出ステップでは、TQWTの異なるサブバンドから13種類のファジィエントロピーを算出し、それらの計算複雑性を計算し、研究者が最適な特徴セットを選択するのに役立つ。
以下の例では、6層からなるオートエンコーダ(ae)を用いて次元を縮小する。
最後に、標準適応型ニューロファジィ推論システム(ANFIS)と、そのバリエーションとして、草のホッパー最適化アルゴリズム(ANFIS-GOA)、粒子群最適化(ANFIS-PSO)、繁殖群最適化(ANFIS-BS)が用いられる。
提案手法を用いて、ANFIS-BS法は2つのクラスに分類する際の99.74%の精度と、ボンデータセットの3次分類における99.46%の精度、フライブルクデータセットにおける99.28%の精度を得て、両者の最先端性能を達成した。
関連論文リスト
- An Explainable Deep Learning-Based Method For Schizophrenia Diagnosis Using Generative Data-Augmentation [0.3222802562733786]
脳波記録を用いた統合失調症の自動診断にディープラーニングを用いた手法を応用した。
このアプローチは、診断の精度を高める強力な手法である生成データ拡張を利用する。
論文 参考訳（メタデータ） (2023-10-25T12:55:16Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳（メタデータ） (2023-10-24T02:37:49Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - Auto-FedRL: Federated Hyperparameter Optimization for
Multi-institutional Medical Image Segmentation [48.821062916381685]
Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。
本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。
提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
論文 参考訳（メタデータ） (2022-03-12T04:11:42Z) - Wavelet-Based Multi-Class Seizure Type Classification System [2.1915057426589746]
本稿では,Dual-tree Complex Wavelet Transform (DTCWT) を用いて脳波信号から特定の特徴を抽出し,それらを分類する手法を提案する。
F1スコアの重み付けを99.1%, 74.7%とした。
論文 参考訳（メタデータ） (2022-02-19T23:58:01Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Neural Network Based Epileptic EEG Detection and Classification [0.0]
脳波信号の真の性質をテキスト1次元ベクトルとして保存するモデルが提案されている。
提案モデルは,平均感度81%,特異度81.4%であるボン大学データセットに対して,それぞれ芸術性能の状態を達成している。
論文 参考訳（メタデータ） (2021-11-05T05:25:40Z) - 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) - Automatic detection of abnormal EEG signals using wavelet feature
extraction and gradient boosting decision tree [2.924868086534434]
多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。
本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。
CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
論文 参考訳（メタデータ） (2020-12-18T03:36:52Z) - 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。