論文の概要: EpilNet: A Novel Approach to IoT based Epileptic Seizure Prediction and
Diagnosis System using Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2111.03265v1
- Date: Fri, 5 Nov 2021 05:19:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-08 16:11:37.552790
- Title: EpilNet: A Novel Approach to IoT based Epileptic Seizure Prediction and
Diagnosis System using Artificial Intelligence
- Title（参考訳）: epilnet: 人工知能を用いたiotベースのてんかん発作予測・診断システムへの新しいアプローチ
- Authors: Shivam Gupta, Virender Ranga, Priyansh Agrawal
- Abstract要約: 本稿では,てんかん発作の予測・診断システムであるEpilNetを提案する。
1次元(1D)畳み込みニューラルネットワークである。EpilNetは5つのクラスで79.13%のテスト精度を与え、関連する研究と比較して約6-7%の大幅な増加をもたらした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Epilepsy is one of the most occurring neurological diseases. The main
characteristic of this disease is a frequent seizure, which is an electrical
imbalance in the brain. It is generally accompanied by shaking of body parts
and even leads (fainting). In the past few years, many treatments have come up.
These mainly involve the use of anti-seizure drugs for controlling seizures.
But in 70% of cases, these drugs are not effective, and surgery is the only
solution when the condition worsens. So patients need to take care of
themselves while having a seizure and be safe. Wearable electroencephalogram
(EEG) devices have come up with the development in medical science and
technology. These devices help in the analysis of brain electrical activities.
EEG helps in locating the affected cortical region. The most important is that
it can predict any seizure in advance on-site. This has resulted in a sudden
increase in demand for effective and efficient seizure prediction and diagnosis
systems. A novel approach to epileptic seizure prediction and diagnosis system
EpilNet is proposed in the present paper. It is a one-dimensional (1D)
convolution neural network. EpilNet gives the testing accuracy of 79.13% for
five classes, leading to a significant increase of about 6-7% compared to
related works. The developed Web API helps in bringing EpilNet into practical
use. Thus, it is an integrated system for both patients and doctors. The system
will help patients prevent injury or accidents and increase the efficiency of
the treatment process by doctors in the hospitals.
- Abstract（参考訳）: てんかんは最も発症する神経疾患の1つである。
この疾患の主な特徴は頻繁な発作であり、脳の電気的不均衡である。
一般的には、体の部分や鉛(ファインティング)の揺れが伴う。
過去数年間、多くの治療法が生まれてきた。
これらは主に発作の予防に抗青少年薬の使用を含む。
しかし、70%の症例ではこれらの薬は効果がなく、手術は症状が悪化する唯一の解決策である。
そのため、患者は発作を起こしながら自分の世話をし、安全である必要がある。
ウェアラブル脳波(EEG)デバイスは、医学と技術の発展に繋がっている。
これらの装置は脳電気活動の分析に役立つ。
eegは、影響を受ける皮質領域を見つけるのに役立ちます。
最も重要なことは、事前に発作を予知できることである。
これにより、効果的で効率的な発作予測および診断システムに対する需要が急上昇した。
本稿ではてんかん発作の予測・診断システムepilnetに対する新しいアプローチを提案する。
1次元(1次元)畳み込みニューラルネットワークである。
epilnetは5つのクラスで79.13%の精度を示し、関連する作品と比較して6-7%の大幅な増加をもたらした。
開発されたWeb APIは、EpilNetを実用化するのに役立ちます。
したがって、患者と医師の双方のための統合システムである。
このシステムは、患者が怪我や事故を予防し、病院の医師による治療プロセスの効率化を支援する。
関連論文リスト
- Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。
薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。
実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文 参考訳（メタデータ） (2024-04-16T07:42:55Z) - SeizNet: An AI-enabled Implantable Sensor Network System for Seizure
Prediction [10.362437111632069]
本稿では,Deep Learning (DL) 法と組込み型センサネットワークを用いてててんかん発作を予測するためのクローズドループシステムであるSeezNetを紹介する。
以上の結果から,SeizNetは従来の単一モダリティおよび非個人化予測システムよりも優れ,発作の予測精度は最大99%向上した。
論文 参考訳（メタデータ） (2024-01-12T15:51:40Z) - Automated Human Mind Reading Using EEG Signals for Seizure Detection [0.0]
てんかんは、紀元前4000年に全世界で発生した最も発生頻度の高い神経疾患の1つである。
神経学者を支援するディープラーニングにニューラルネットワークを使用するような、情報技術の分野では、自動化されたシステムがいくつか必要である。
本稿では,自動システムの開発に使用できる98.33%の精度を与えるモデルを提案する。
論文 参考訳（メタデータ） (2021-11-05T05:31:33Z) - 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) - 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) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-18T23:13:48Z) - 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) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - Machine Learning for Predicting Epileptic Seizures Using EEG Signals: A
Review [1.7959899851975951]
脳波信号を用いた発作の早期予測における最先端ML手法のレビューを行う。
前もって予測できた場合、てんかん発作の悪影響から患者を救える。
MLベースのアルゴリズムには、てんかん発作の早期かつ正確な予測においてパラダイムシフトをもたらす可能性がある、エキサイティングな新しい展開がある。
論文 参考訳（メタデータ） (2020-02-04T06:22:24Z)
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。