Fugu-MT 論文翻訳(概要): A review on Epileptic Seizure Detection using Machine Learning

論文の概要: A review on Epileptic Seizure Detection using Machine Learning

arxiv url: http://arxiv.org/abs/2210.06292v1
Date: Wed, 5 Oct 2022 13:37:45 GMT
ステータス: 処理完了
システム内更新日: 2022-10-16 16:12:09.770515
Title: A review on Epileptic Seizure Detection using Machine Learning
Title（参考訳）: 機械学習を用いたてんかん発作検出法の検討
Authors: Muhammad Shoaib Farooq, Aimen Zulfiqar, Shamyla Riaz
Abstract要約: 本研究は特徴選択プロセスと分類性能の体系的な文献レビューを提供する。既存の文献は、MPDI、IEEEXplore、Wiley、Elsevier、ACM、Springerlinkなどの有名なリポジトリから調査された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Epilepsy is a neurological brain disorder which life threatening and gives rise to recurrent seizures that are unprovoked. It occurs due to the abnormal chemical changes in our brain. Over the course of many years, studies have been conducted to support automatic diagnosis of epileptic seizures for the ease of clinicians. For that, several studies entail the use of machine learning methods for the early prediction of epileptic seizures. Mainly, feature extraction methods have been used to extract the right features from the EEG data generated by the EEG machine and then various machine learning classifiers are used for the classification process. This study provides a systematic literature review of feature selection process as well as the classification performance. This study was limited to the finding of most used feature extraction methods and the classifiers used for accurate classification of normal to epileptic seizures. The existing literature was examined from well-known repositories such as MPDI, IEEEXplore, Wiley, Elsevier, ACM, Springerlink and others. Furthermore, a taxonomy was created that recapitulates the state-of-the-art used solutions for this problem. We also studied the nature of different benchmark and unbiased datasets and gave a rigorous analysis of the working of classifiers. Finally, we concluded the research by presenting the gaps, challenges and opportunities which can further help researchers in prediction of epileptic seizure
Abstract（参考訳）: てんかん(てんかん、英: Epilepsy)は、脳疾患の一種で、生命が脅かされ、再発する発作を引き起こす。それは脳の異常な化学的変化によって起こる。長年にわたり、てんかん発作の自動診断を臨床医が容易に行えるよう支援する研究が進められてきた。そのため、いくつかの研究は、てんかん発作の早期予測に機械学習手法を使用する。主に、EEGマシンによって生成された脳波データから適切な特徴を抽出するために特徴抽出法が用いられ、その分類には様々な機械学習分類器が使用される。本研究は,特徴選択プロセスの体系的な文献レビューと分類性能について述べる。本研究は, 正常・てんかん発作の正確な分類に使用される特徴抽出法と分類器の発見に限られていた。既存の文献は、MPDI、IEEEXplore、Wiley、Elsevier、ACM、Springerlinkなどの有名なリポジトリから調査された。さらに、この問題に対する最先端の解決策を再結合する分類法が作られた。また、異なるベンチマークと偏りのないデータセットの性質を研究し、分類器の動作を厳密に分析した。最後に、てんかん発作の予測に研究者がさらに役立つギャップ、課題、機会を提示することで研究を締めくくった。

関連論文リスト

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)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
Applications of Epileptic Seizures Detection in Neuroimaging Modalities Using Deep Learning Techniques: Methods, Challenges, and Future Works [12.393282115173387]
てんかん発作は、世界中の多くの人々に影響を及ぼす神経疾患の一種である。専門医や神経学者は、様々な種類のてんかん発作を診断するために、構造的および機能的な神経画像モダリティを利用する。てんかん発作の正確かつ迅速な診断を早める1つの方法は、人工知能(AI)と機能的および構造的ニューロイメージングモダリティに基づくコンピュータ支援診断システム(CADS)を採用することである。
論文参考訳（メタデータ） (2021-05-29T12:00:39Z)
Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
論文参考訳（メタデータ） (2021-01-22T19:49:47Z)
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)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
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 Seizures Detection Using Deep Learning Techniques: A Review [11.545463604424697]
本研究では,ディープラーニング(DL)技術とニューロイメージングを用いたてんかん発作の自動検出に焦点を当てた。脳波とMRIを用いたてんかんの診断法について述べる。脳波とMRIを併用したDLを用いたてんかん自動発作の正確な検出の課題について論じる。
論文参考訳（メタデータ） (2020-07-02T17:34:02Z)
Binary and Multiclass Classifiers based on Multitaper Spectral Features for Epilepsy Detection [1.721147796970279]
てんかんは脳波(EEG)で診断できる最も一般的な神経疾患の1つである本稿では,二分分類と多クラス分類の2つの区別文脈にてんかん検出の新しい手法を提案する。
論文参考訳（メタデータ） (2020-04-02T17:12:33Z)
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)
Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。