論文の概要: Real-Time Seizure Detection using EEG: A Comprehensive Comparison of
Recent Approaches under a Realistic Setting
- arxiv url: http://arxiv.org/abs/2201.08780v1
- Date: Fri, 21 Jan 2022 16:53:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 14:23:57.872869
- Title: Real-Time Seizure Detection using EEG: A Comprehensive Comparison of
Recent Approaches under a Realistic Setting
- Title(参考訳): 脳波を用いたリアルタイム発作検出 : 現実環境下での最近のアプローチの包括的比較
- Authors: Kwanhyung Lee, Hyewon Jeong, Seyun Kim, Donghwa Yang, Hoon-Chul Kang,
Edward Choi
- Abstract要約: この研究は、実世界のアプリケーションに適したリアルタイムの発作検出フレームワークにおいて、最先端のモデルと信号特徴抽出器を広範囲に比較する。
私たちのコードはhttps://github.com/AITRICS/EEG_real_time_seizure_detectionで利用可能です。
- 参考スコア(独自算出の注目度): 7.545072251531297
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalogram (EEG) is an important diagnostic test that physicians
use to record brain activity and detect seizures by monitoring the signals.
There have been several attempts to detect seizures and abnormalities in EEG
signals with modern deep learning models to reduce the clinical burden.
However, they cannot be fairly compared against each other as they were tested
in distinct experimental settings. Also, some of them are not trained in
real-time seizure detection tasks, making it hard for on-device applications.
Therefore in this work, for the first time, we extensively compare multiple
state-of-the-art models and signal feature extractors in a real-time seizure
detection framework suitable for real-world application, using various
evaluation metrics including a new one we propose to evaluate more practical
aspects of seizure detection models. Our code is available at
https://github.com/AITRICS/EEG_real_time_seizure_detection.
- Abstract(参考訳): 脳波検査(Electroencephalogram、EEG)は、医師が脳の活動を記録して発作を検出するための重要な検査である。
脳波信号の発作や異常を現代の深層学習モデルで検出し、臨床負担を軽減する試みがいくつかある。
しかし、異なる実験環境でテストされたため、互いに比較することは不可能である。
また、それらの一部はリアルタイムの発作検出タスクで訓練されていないため、デバイス上のアプリケーションでは困難である。
そこで本研究では,複数の最先端モデルと信号特徴抽出器を実世界のアプリケーションに適したリアルタイム・アセプション検出フレームワークで比較し,新しいアセプション検出モデルを含む様々な評価指標を用いて,より実用的なアセプション検出モデルの評価を行う。
私たちのコードはhttps://github.com/AITRICS/EEG_real_time_seizure_detectionで利用可能です。
関連論文リスト
- READS-V: Real-time Automated Detection of Epileptic Seizures from
Surveillance Videos via Skeleton-based Spatiotemporal ViG [6.114517770735504]
READS-Vシステムは5.1sのオンセット検出遅延、13.1sの臨床的オンセット検出の進歩、偽検出率ゼロを達成する。
論文 参考訳(メタデータ) (2023-11-24T15:07:29Z) - Machine Learning Based IoT Adaptive Architecture for Epilepsy Seizure
Detection: Anatomy and Analysis [0.0]
発作追跡システムはてんかんの治療のモニタリングと評価に不可欠である。
今日ではてんかん治療にケアタカー発作日記が用いられているが、臨床的な発作モニタリングでは発作を見逃す可能性がある。
簡単なリアルタイムk-Nearest-Neighbors(kNN)機械学習に基づく汎用的で安価な非侵襲的手法を提案する。
論文 参考訳(メタデータ) (2023-05-30T18:15:05Z) - Knowledge-Distilled Graph Neural Networks for Personalized Epileptic
Seizure Detection [43.905374104261014]
そこで,本研究では,全電極から得られたデータに基づいて訓練された高度感応検知器(教師と呼ぶ)から知識を伝達し,新しい検出器(学生と呼ぶ)を学習するための新しい知識蒸留手法を提案する。
どちらも軽量な実装を提供しており、脳波を記録するのに必要な電極の数を大幅に削減している。
以上の結果から,脳波の少ない症例では,知識蒸留とパーソナライゼーションの両方が,発作検出の性能向上に重要な役割を担っていることが明らかとなった。
論文 参考訳(メタデータ) (2023-04-03T15:37:40Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - Unsupervised Multivariate Time-Series Transformers for Seizure
Identification on EEG [9.338549413542948]
てんかん発作は通常、脳波記録(EEG)によって観察される。
生脳波による発作同定のための教師なしトランスフォーマーモデルを提案する。
我々は、教師なし損失関数を介してトランスフォーマーエンコーダを含むオートエンコーダを訓練し、新しいマスキング戦略を取り入れた。
論文 参考訳(メタデータ) (2023-01-03T15:57:13Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - Self-Supervised Learning for Anomalous Channel Detection in EEG Graphs:
Application to Seizure Analysis [4.1372815372396525]
本稿では、発作データへのアクセスが不要な自己教師付き方法で発作チャンネルやクリップを検出することを提案する。
提案手法は,脳波グラフに埋め込まれた局所構造情報と文脈情報を,正と負のサブグラフを用いて検討する。
我々は,脳波による発作研究において,最も大きな発作データセットに関する広範な実験を行い,提案手法が最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-15T21:56:30Z) - Task-oriented Self-supervised Learning for Anomaly Detection in
Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。
大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。
効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文 参考訳(メタデータ) (2022-07-04T13:15:08Z) - 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) - 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) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳(メタデータ) (2021-03-30T09:59:56Z)
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。