論文の概要: Characterizing TMS-EEG perturbation indexes using signal energy: initial study on Alzheimer's Disease classification

• arxiv url: http://arxiv.org/abs/2205.03241v1
• Date: Fri, 29 Apr 2022 19:27:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-16 01:12:59.511836
• Title: Characterizing TMS-EEG perturbation indexes using signal energy: initial study on Alzheimer's Disease classification
• Title（参考訳）: 信号エネルギーを用いたTMS-EEG摂動指数の特徴:アルツハイマー病分類の初期研究
• Authors: Alexandra-Maria Tautan, Elias Casula, Ilaria Borghi, Michele Maiella, Sonia Bonni, Marilena Minei, Martina Assogna, Bogdan Ionescu, Giacomo Koch and Emiliano Santarnecchi
• Abstract要約: 経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示す。 本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。
• 参考スコア（独自算出の注目度）: 48.42347515853289
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Transcranial Magnetic Stimulation (TMS) combined with EEG recordings (TMS-EEG) has shown great potential in the study of the brain and in particular of Alzheimer's Disease (AD). In this study, we propose an automatic method of determining the duration of TMS induced perturbation of the EEG signal as a potential metric reflecting the brain's functional alterations. A preliminary study is conducted in patients with Alzheimer's disease (AD). Three metrics for characterizing the strength and duration of TMS evoked EEG (TEP) activity are proposed and their potential in identifying AD patients from healthy controls was investigated. A dataset of TMS-EEG recordings from 17 AD and 17 healthy controls (HC) was used in our analysis. A Random Forest classification algorithm was trained on the extracted TEP metrics and its performance is evaluated in a leave-one-subject-out cross-validation. The created model showed promising results in identifying AD patients from HC with an accuracy, sensitivity and specificity of 69.32%, 72.23% and 66.41%, respectively.
• Abstract（参考訳）: 経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示した。 本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。 アルツハイマー病(AD)患者を対象に予備研究を行った。 TMS誘発脳波(TEP)活動の強度と持続時間を測定するための3つの指標を提案し,AD患者を健常者から同定する可能性を検討した。 分析には,17例と17例の健康管理(hc)を用いたtms-eeg記録のデータセットを用いた。 抽出されたtepメトリクスに基づいてランダムフォレスト分類アルゴリズムを訓練し,その性能をlet-one-subject-outクロスバリデーションで評価した。 作成されたモデルでは、AD患者をHCからそれぞれ69.32%、72.23%、66.41%の精度で同定する有望な結果が得られた。

関連論文リスト

• Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
  アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。 本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-08-20T13:11:43Z)
• Alzheimer's disease detection in PSG signals [2.8691549050152965]
  アルツハイマー病(AD)と睡眠障害は密接に関連しており、睡眠パターンの混乱は早期ADの発症に先行することが多い。 本研究は、睡眠関連脳波(EEG)信号によるADの早期検出の可能性について検討した。 我々の主な焦点は、データ可用性に制限があるため、脳波信号の分類のための半教師付きディープラーニング技術を探ることである。
  論文  参考訳（メタデータ） (2024-04-04T15:56:23Z)
• Electroencephalography and mild cognitive impairment research: A scoping review and bibliometric analysis (ScoRBA) [0.0]
  軽度認知障害(MCI)はしばしばアルツハイマー病(AD)の前駆者と見なされる EEGは低コストで時間分解能が優れているため、研究者の間では最も人気があり、頻繁に使用されるツールである。
  論文  参考訳（メタデータ） (2022-11-01T06:52:19Z)
• Preliminary study on the impact of EEG density on TMS-EEG classification in Alzheimer's disease [48.42347515853289]
  TMS誘発脳波反応を用いてアルツハイマー病患者を健康的なコントロールから分類する。 精度、感度、特異性はそれぞれ92.7%、96.58%、88.2%であった。
  論文  参考訳（メタデータ） (2022-05-19T20:34:04Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• A Pilot Study on Visually-Stimulated Cognitive Tasks for EEG-Based Dementia Recognition Using Frequency and Time Features [3.9728427877905568]
  本研究の目的は、健常者(NC)、軽度認知障害(MCI)、認知症(DEM)の3群における脳波(EEG)信号の差を調べることである。 4つの視覚刺激課題の脳波信号を用いた機械学習による認知症診断のパイロット研究を開発した。
  論文  参考訳（メタデータ） (2021-03-05T18:13:23Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。