論文の概要: Energy-Efficient Tree-Based EEG Artifact Detection
- arxiv url: http://arxiv.org/abs/2204.09577v1
- Date: Tue, 19 Apr 2022 12:57:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-21 15:39:55.715503
- Title: Energy-Efficient Tree-Based EEG Artifact Detection
- Title(参考訳): エネルギー効率の高い木に基づく脳波アーチファクト検出
- Authors: Thorir Mar Ingolfsson, Andrea Cossettini, Simone Benatti, Luca Benini
- Abstract要約: てんかんモニタリングでは、脳波アーチファクトは振幅と周波数の両方で形態学的に類似しているため、発作と誤認されることが多い。
本研究では, 並列超低消費電力(PULP)組み込みプラットフォーム上で, 最小数のEEGチャネルに基づくアーティファクト検出アルゴリズムの実装について述べる。
- 参考スコア(独自算出の注目度): 17.085570466000906
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of epilepsy monitoring, EEG artifacts are often mistaken for
seizures due to their morphological similarity in both amplitude and frequency,
making seizure detection systems susceptible to higher false alarm rates. In
this work we present the implementation of an artifact detection algorithm
based on a minimal number of EEG channels on a parallel ultra-low-power (PULP)
embedded platform. The analyses are based on the TUH EEG Artifact Corpus
dataset and focus on the temporal electrodes. First, we extract optimal feature
models in the frequency domain using an automated machine learning framework,
achieving a 93.95% accuracy, with a 0.838 F1 score for a 4 temporal EEG channel
setup. The achieved accuracy levels surpass state-of-the-art by nearly 20%.
Then, these algorithms are parallelized and optimized for a PULP platform,
achieving a 5.21 times improvement of energy-efficient compared to
state-of-the-art low-power implementations of artifact detection frameworks.
Combining this model with a low-power seizure detection algorithm would allow
for 300h of continuous monitoring on a 300 mAh battery in a wearable form
factor and power budget. These results pave the way for implementing
affordable, wearable, long-term epilepsy monitoring solutions with low
false-positive rates and high sensitivity, meeting both patients' and
caregivers' requirements.
- Abstract(参考訳): てんかんモニタリングの文脈では、脳波アーチファクトは振幅と周波数の両方の形態的類似性から発作と誤解されることが多く、発作検出システムはより高い誤報率に影響を受けやすい。
本研究では, 並列超低消費電力(PULP)組み込みプラットフォーム上で, 最小数のEEGチャネルに基づくアーティファクト検出アルゴリズムの実装について述べる。
これらの分析はTUH EEG Artifact Corpusデータセットに基づいており、時間電極に焦点を当てている。
まず、自動機械学習フレームワークを用いて周波数領域の最適特徴モデルを抽出し、4時間EEGチャネルの設定に対して0.838 F1スコアで93.95%の精度を達成する。
達成された精度レベルが最先端を20%近く上回った。
そして、これらのアルゴリズムはPULPプラットフォーム向けに並列化され最適化され、最先端のアーティファクト検出フレームワークの低消費電力実装と比較してエネルギー効率が5.21倍向上する。
このモデルと低消費電力の発作検出アルゴリズムを組み合わせることで、300mAhのバッテリーで300hの連続監視をウェアラブルフォームファクタと電力予算で実現できる。
これらの結果は, 患者と介護者の双方の要件を満たす, 低偽陽性率と高感度で, 安価でウェアラブルな長期てんかんモニタリングソリューションを実現するための道を開いた。
関連論文リスト
- A Noisy Beat is Worth 16 Words: a Tiny Transformer for Low-Power
Arrhythmia Classification on Microcontrollers [10.9466504864583]
心電図(ECG)信号のリアルタイム解析と不整脈などの心臓状態の検出に対する有望なアプローチは、トランスフォーマー機械学習モデルによって表現される。
我々は、MIT-BIH Arrhythmiaデータベースから最も一般的な5つの不整脈クラスを認識する際に、わずか6kパラメータしか必要とせず、98.97%の精度でECG信号を解析するための小さなトランスフォーマーモデルを提案する。
論文 参考訳(メタデータ) (2024-02-16T15:14:16Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳(メタデータ) (2023-10-24T02:37:49Z) - EpiDeNet: An Energy-Efficient Approach to Seizure Detection for Embedded
Systems [9.525786920713763]
本稿では,新しい軽量な発作検出ネットワークであるEpiDeNetを紹介する。
SSWCE(Sensitivity-Specificity Weighted Cross-Entropy)は、感度と特異性を組み込んだ新たな損失関数である。
SSWCE損失と組み合わされた3ウィンドウの多数決に基づく平滑化方式は、偽陽性を1.18FP/hに3倍減少させる。
論文 参考訳(メタデータ) (2023-08-28T11:29:51Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - 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) - Energy-Efficient Real-Time Heart Monitoring on Edge-Fog-Cloud
Internet-of-Medical-Things [4.927511651631258]
低消費電力ウェアラブル機器の心臓を継続的にモニタリングするための,新しい,エネルギー効率の高い手法を提案する。
提案手法は,1)ECG信号の品質を評価するノイズ/アーチファクト検出層,2)ECG信号の異常を検出する正常/異常ビート分類層,3)ECG信号から疾患を検出する異常ビート分類層,の3つの異なる層から構成される。
我々の手法は、よく知られたMIT-BIH Arrhythmiaデータセットで99.2%の精度に達する。
論文 参考訳(メタデータ) (2021-12-15T05:42:20Z) - Adaptive R-Peak Detection on Wearable ECG Sensors for High-Intensity
Exercise [3.7808904037372524]
ウェアラブルセンサーによる生体信号の連続モニタリングは、医療・健康分野で急速に拡大している。
提案手法は,教師なし学習,ベイズフィルタリング,非線形正規化に基づく。
BayeSlopeは計算的に重く、デバイスバッテリーを迅速に排水できるので、その頑丈さを突然の生理的変化に適応させるオンライン設計を提案する。
論文 参考訳(メタデータ) (2021-12-08T16:24:23Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - 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) - High Frequency EEG Artifact Detection with Uncertainty via Early Exit
Paradigm [70.50499513259322]
現在のアーティファクト検出パイプラインはリソース不足であり、手作りの機能に大きく依存している。
高周波脳波アーチファクト検出のためのディープラーニングフレームワークであるE4Gを提案する。
われわれのフレームワークは初期の出口パラダイムを利用して、不確実性を捉えることのできるモデルの暗黙のアンサンブルを構築している。
論文 参考訳(メタデータ) (2021-07-21T07:05:42Z) - Towards Long-term Non-invasive Monitoring for Epilepsy via Wearable EEG
Devices [11.622034020961912]
並列な超低消費電力組込みプラットフォーム上での最小数の脳波チャンネルに基づく発作検出アルゴリズムの実装について述べる。
我々は23個の電極または4つの時間チャネルを考慮し、グローバルおよび主題固有のアプローチを分析する。
8sウィンドウサイズと主観的アプローチでは,偽陽性はゼロ,感度は100%であった。
論文 参考訳(メタデータ) (2021-06-15T09:37:09Z)
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。