論文の概要: EEG Signal Processing using Wavelets for Accurate Seizure Detection
through Cost Sensitive Data Mining
- arxiv url: http://arxiv.org/abs/2109.13818v1
- Date: Wed, 22 Sep 2021 01:40:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-10 15:29:32.854448
- Title: EEG Signal Processing using Wavelets for Accurate Seizure Detection
through Cost Sensitive Data Mining
- Title(参考訳): 費用に敏感なデータマイニングによる正確な発作検出のためのウェーブレットを用いた脳波信号処理
- Authors: Paul Grant and Md Zahidul Islam
- Abstract要約: 本稿では,アセプション検出のためのウェーブレットの特性に依存するアプローチを提案する。
我々は、信号ノイズを低減するために、最大オーバーラップ離散ウェーブレット変換を利用する。
我々は、再構成されたノイズ低減信号、電極接続、情報伝達の効率から導かれる基本的統計パラメータを用いて属性空間を構築する。
- 参考スコア(独自算出の注目度): 2.7907613804877283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Epilepsy is one of the most common and yet diverse set of chronic
neurological disorders. This excessive or synchronous neuronal activity is
termed seizure. Electroencephalogram signal processing plays a significant role
in detection and prediction of epileptic seizures. In this paper we introduce
an approach that relies upon the properties of wavelets for seizure detection.
We utilise the Maximum Overlap Discrete Wavelet Transform which enables us to
reduce signal noise Then from the variance exhibited in wavelet coefficients we
develop connectivity and communication efficiency between the electrodes as
these properties differ significantly during a seizure period in comparison to
a non-seizure period. We use basic statistical parameters derived from the
reconstructed noise reduced signal, electrode connectivity and the efficiency
of information transfer to build the attribute space.
We have utilised data that are publicly available to test our method that is
found to be significantly better than some existing approaches.
- Abstract(参考訳): てんかんは、慢性神経疾患の最も一般的かつ多様なセットの1つである。
この過剰または同期的な神経活動は発作と呼ばれる。
脳波信号処理はてんかん発作の検出と予測に重要な役割を果たしている。
本稿では,発作検出のためのウェーブレットの特性に依存するアプローチを提案する。
信号ノイズを低減できる最大オーバーラップ離散ウェーブレット変換を用いて、ウェーブレット係数に表される分散から、これらの特性が非正弦周期と比較して差が大きいため、電極間の接続性と通信効率が向上する。
特性空間の構築には,再構成ノイズ低減信号,電極接続,情報伝達効率などに基づく基本的な統計パラメータを用いる。
既存の手法よりもはるかに優れていると判明した,我々のメソッドをテストするために公開されているデータを利用した。
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) - 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) - ScatterFormer: Locally-Invariant Scattering Transformer for
Patient-Independent Multispectral Detection of Epileptiform Discharges [7.726017342725144]
微妙な特徴に特に注意を払う不変な散乱変換に基づく階層変換器を提案する。
特に、歪んだ周波数認識注意(FAA)により、Transformerは臨床的に有意な高周波成分を捉えることができる。
ローランドてんかん患者におけるAUCROCの中央値と精度は98.14%,96.39%であった。
論文 参考訳(メタデータ) (2023-04-26T10:10:58Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-26T21:59:14Z) - 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) - 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) - 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) - 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) - An Explainable Model for EEG Seizure Detection based on Connectivity
Features [0.0]
我々は、特定のデータウィンドウが発作に属しているか否かを検出するディープニューラルネットワークを学習することを提案する。
10個のサブウィンドウのシーケンスとしてデータを取り込み、注意、CNN、BiLstm、および完全に接続されたレイヤを用いて最適なディープラーニングモデルを設計することを目的としている。
私たちの最高のモデルアーキテクチャは、バランスの取れたMITBIHデータサブセットを使用して97.03%の精度を実現した。
論文 参考訳(メタデータ) (2020-09-26T11:07:30Z) - Optimal Learning with Excitatory and Inhibitory synapses [91.3755431537592]
相関関係の存在下でアナログ信号間の関連性を保持するという課題について検討する。
ランダムな入力および出力プロセスのパワースペクトルの観点から、典型的な学習性能を特徴付ける。
論文 参考訳(メタデータ) (2020-05-25T18:25:54Z) - 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。