論文の概要: Wavelet-Based Multi-Class Seizure Type Classification System
- arxiv url: http://arxiv.org/abs/2203.00511v1
- Date: Sat, 19 Feb 2022 23:58:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-06 13:13:16.735656
- Title: Wavelet-Based Multi-Class Seizure Type Classification System
- Title(参考訳): ウェーブレット型マルチクラス発作分類システム
- Authors: Hezam Albaqami, Ghulam Mubashar Hassan, Amitava Datta
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.1915057426589746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Epilepsy is one of the most common brain diseases that affect more than 1\%
of the world's population. It is characterized by recurrent seizures, which
come in different types and are treated differently. Electroencephalography
(EEG) is commonly used in medical services to diagnose seizures and their
types. The accurate identification of seizures helps to provide optimal
treatment and accurate information to the patient. However, the manual
diagnostic procedures of epileptic seizures are laborious and
highly-specialized. Moreover, EEG manual evaluation is a process known to have
a low inter-rater agreement among experts. This paper presents a novel
automatic technique that involves extraction of specific features from EEG
signals using Dual-tree Complex Wavelet Transform (DTCWT) and classifying them.
We evaluated the proposed technique on TUH EEG Seizure Corpus (TUSZ) ver.1.5.2
dataset and compared the performance with existing state-of-the-art techniques
using overall F1-score due to class imbalance seizure types. Our proposed
technique achieved the best results of weighted F1-score of 99.1\% and 74.7\%
for seizure-wise and patient-wise classification respectively, thereby setting
new benchmark results for this dataset.
- Abstract(参考訳): てんかんは世界の人口の12%以上に影響する最も一般的な脳疾患の1つである。
異なるタイプの再発発作を特徴とし、異なる方法で治療される。
脳波検査(Electroencephalography、EEG)は、発作とそのタイプを診断するために医療サービスで一般的に用いられる。
発作の正確な同定は、患者に最適な治療と正確な情報を提供するのに役立つ。
しかし,てんかん発作の診断は困難であり,高度に専門化されている。
さらに、EEGマニュアル評価は専門家の間でのレータ間合意の低さが知られているプロセスである。
本稿では,双本木複合ウェーブレット変換(dtcwt)を用いて脳波信号から特定の特徴を抽出し,分類する新しい自動手法を提案する。
TUH EEG Seizure Corpus (TUSZ) ver.1.5.2 データセットを用いて提案手法の評価を行い、クラス不均衡発作型によるF1スコアを用いた既存の最先端技術と比較した。
提案手法は, 重み付きf1-scoreを99.1\%, 74.7\%の患者別分類でそれぞれ最良とし, 新たなベンチマーク結果を得た。
関連論文リスト
- From Epilepsy Seizures Classification to Detection: A Deep Learning-based Approach for Raw EEG Signals [0.8182812460605992]
側頭葉てんかんの3分の1は薬剤耐性を示す。
抗敗血症薬開発の鍵となるのはてんかん発作の検出と定量化である。
本研究では,脳波信号に適用した深層学習モデルに基づく発作検出パイプラインを提案する。
論文 参考訳(メタデータ) (2024-10-04T12:52:37Z) - Refining ADHD diagnosis with EEG: The impact of preprocessing and temporal segmentation on classification accuracy [41.94295877935867]
本研究は,脳波によるADHD診断の信頼性向上における前処理とセグメンテーションの重要性を強調した。
後の脳波セグメントで訓練されたモデルは、ADHDを識別する際の認知疲労の潜在的な役割を示唆し、かなり高い精度を実現した。
論文 参考訳(メタデータ) (2024-07-11T09:07:22Z) - Parkinsons Disease Detection via Resting-State Electroencephalography
Using Signal Processing and Machine Learning Techniques [0.0]
パーキンソン病(英: Parkinsons Disease、PD)は、ドーパミン作動性ニューロンの変性により運動障害を引き起こす神経変性疾患である。
脳波はPD患者の異常を示す。
1つの大きな課題は、治療薬や治療薬で病気を綿密に監視するために、PDのための一貫性のある、正確で、体系的なバイオマーカーが欠如していることである。
論文 参考訳(メタデータ) (2023-03-29T06:03:05Z) - 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) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳(メタデータ) (2021-08-07T10:12:42Z) - 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) - 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) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳(メタデータ) (2020-07-31T14:34:47Z) - Epileptic Seizure Classification with Symmetric and Hybrid Bilinear
Models [20.376912072606412]
本稿では, 難治性てんかんの診断に応用したハイブリッドバイリニア深層学習ネットワークを提案する。
診断の精度は、医療症状の重複、様々な経験のレベル、および臨床専門職間の多様性によっても複雑である。
論文 参考訳(メタデータ) (2020-01-15T03:22:10Z)
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。