論文の概要: Scalable Machine Learning Architecture for Neonatal Seizure Detection on Ultra-Edge Devices

• arxiv url: http://arxiv.org/abs/2111.15569v1
• Date: Mon, 29 Nov 2021 12:42:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 16:53:55.341600
• Title: Scalable Machine Learning Architecture for Neonatal Seizure Detection on Ultra-Edge Devices
• Title（参考訳）: 超エッジデバイスを用いた新生児シーズーア検出のためのスケーラブル機械学習アーキテクチャ
• Authors: Vishal Nagarajan, Ashwini Muralidharan, Deekshitha Sriraman and Pravin Kumar S
• Abstract要約: 本研究では,機械学習(ML)に基づくアーキテクチャを提案する。 本研究で選択した標準MLモデルよりも6%高い87%の感度を達成した。
• 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: Neonatal seizures are a commonly encountered neurological condition. They are the first clinical signs of a serious neurological disorder. Thus, rapid recognition and treatment are necessary to prevent serious fatalities. The use of electroencephalography (EEG) in the field of neurology allows precise diagnosis of several medical conditions. However, interpreting EEG signals needs the attention of highly specialized staff since the infant brain is developmentally immature during the neonatal period. Detecting seizures on time could potentially prevent the negative effects on the neurocognitive development of the infants. In recent years, neonatal seizure detection using machine learning algorithms have been gaining traction. Since there is a need for the classification of bio-signals to be computationally inexpensive in the case of seizure detection, this research presents a machine learning (ML) based architecture that operates with comparable predictive performance as previous models but with minimum level configuration. The proposed classifier was trained and tested on a public dataset of NICU seizures recorded at the Helsinki University Hospital. Our architecture achieved a best sensitivity of 87%, which is 6% more than that of the standard ML model chosen in this study. The model size of the ML classifier is optimized to just 4.84 KB with minimum prediction time of 182.61 milliseconds, thus enabling it to be deployed on wearable ultra-edge devices for quick and accurate response and obviating the need for cloud-based and other such exhaustive computational methods.
• Abstract（参考訳）: 新生児発作は一般的に起こる神経疾患である。 重篤な神経疾患の最初の臨床症状である。 そのため、重篤な致命傷の予防には迅速な認識と治療が必要である。 神経学分野における脳波検査(EEG)の使用は、いくつかの医学的状態の正確な診断を可能にする。 しかし、脳波信号の解釈には、新生児期の発達が未熟であるため、高度に専門的なスタッフの注意が必要である。 時間による発作の検出は、幼児の神経認知発達に悪影響を及ぼす可能性がある。 近年,機械学習アルゴリズムを用いた新生児発作検出が注目されている。 発作検出においては,生体信号の分類が計算的に安価である必要があるため,従来のモデルと同等の予測性能を持つが,最小レベルの構成を持つ機械学習(ml)ベースのアーキテクチャを提案する。 提案された分類器は、ヘルシンキ大学病院で記録されたNICU発作の公開データセットで訓練され、テストされた。 本研究で選択した標準MLモデルよりも6%高い87%の感度を実現した。 ML分類器のモデルサイズは、最小予測時間182.61ミリ秒で4.84KBに最適化され、ウェアラブルのウルトラエッジデバイスにデプロイすることで、迅速かつ正確な応答と、クラウドベースや他の徹底した計算方法の必要性を回避できる。

関連論文リスト

• Using Explainable AI for EEG-based Reduced Montage Neonatal Seizure Detection [2.206534289238751]
  新生児発作検出のゴールドスタンダードは、現在連続したビデオEEGモニタリングに依存している。 脳波モンタージュを低減した新生児発作検出プロセスを自動化するための新しい説明可能な深層学習モデルを提案する。 提案したモデルは、それぞれ曲線下面積(AUC)とリコールにおける8.31%と42.86%の絶対的な改善を達成している。
  論文  参考訳（メタデータ） (2024-06-04T10:53:56Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Unveiling Intractable Epileptogenic Brain Networks with Deep Learning Algorithms: A Novel and Comprehensive Framework for Scalable Seizure Prediction with Unimodal Neuroimaging Data in Pediatric Patients [0.0]
  てんかんは、世界中で5000万人、アメリカ人120万人に影響を及ぼす神経疾患である。 本研究は,小児の発作を予測するための新しい包括的枠組みを提案する。 各種機械学習アルゴリズムの性能は、精度、精度、特異性、感度、F1スコア、MCCといった重要な指標に基づいて評価される。
  論文  参考訳（メタデータ） (2023-09-05T21:03:36Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• 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)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• 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)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)
• Grading the severity of hypoxic-ischemic encephalopathy in newborn EEG using a convolutional neural network [3.2498534294827044]
  本研究では、深層畳み込みニューラルネットワークを用いて、生の脳波データ内の階層的表現を学習する、新しいエンドツーエンドアーキテクチャを提案する。 本システムは低酸素性虚血性脳症を4段階に分類し,54人の新生児から63時間の多チャンネル脳波データセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-05-12T05:58:27Z)

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。