Fugu-MT 論文翻訳(概要): Automatic Seizure Prediction using CNN and LSTM

論文の概要: Automatic Seizure Prediction using CNN and LSTM

arxiv url: http://arxiv.org/abs/2211.02679v1
Date: Fri, 28 Oct 2022 15:15:04 GMT
ステータス: 処理完了
システム内更新日: 2022-11-13 23:45:34.409175
Title: Automatic Seizure Prediction using CNN and LSTM
Title（参考訳）: CNNとLSTMを用いた震度自動予測
Authors: Abhijeet Bhattacharya
Abstract要約: 本稿では,発作予測の面倒な作業を完全に自動化するエンドツーエンドのディープラーニングアルゴリズムを提案する。ネットワークの平均感度は97.746text%、偽陽性率(FPR)は0.2373/hであった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The electroencephalogram (EEG) is one of the most precious technologies to understand the happenings inside our brain and further understand our body's happenings. Automatic prediction of oncoming seizures using the EEG signals helps the doctors and clinical experts and reduces their workload. This paper proposes an end-to-end deep learning algorithm to fully automate seizure prediction's laborious task without any heavy pre-processing on the EEG data or feature engineering. The proposed deep learning network is a blend of signal processing and deep learning pipeline, which automates the seizure prediction framework using the EEG signals. This proposed model was evaluated on an open EEG dataset, CHB-MIT. The network achieved an average sensitivity of 97.746\text{\%} and a false positive rate (FPR) of 0.2373 per hour.
Abstract（参考訳）: 脳波(EEG)は、脳内の出来事を理解し、身体の出来事をさらに理解するための最も重要な技術の一つである。脳波信号による発作の自動予測は、医師や臨床専門家に役立ち、作業負荷を減らす。本稿では,脳波データや特徴工学を重く前処理することなく,発作予測の面倒な作業を完全に自動化するエンドツーエンドのディープラーニングアルゴリズムを提案する。提案するdeep learning networkは,脳波信号を用いた発作予測フレームワークを自動化する信号処理とディープラーニングパイプラインを組み合わせたものだ。提案手法をオープンEEGデータセットCHB-MITを用いて評価した。ネットワークの平均感度は97.746\text{\%} で、偽陽性率 (fpr) は1時間あたり 0.2373 である。

関連論文リスト

Demo: Multi-Modal Seizure Prediction System [9.940843218393198]
SeizNetは、マルチモーダルセンサーネットワークから恩恵を受けるてんかん発作を予測する革新的なシステムである。てんかんは世界中で約6500万人に影響を及ぼし、その多くは薬剤耐性の発作を経験している。 SeizNetは、移植可能なデバイスのサイズとエネルギー制限を維持しながら、発作予測において97%の精度を達成する。
論文参考訳（メタデータ） (2024-11-01T18:21:37Z)
REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。本モデルは,発作検出と分類作業において高い精度を示す。
論文参考訳（メタデータ） (2024-06-03T16:30:19Z)
SeizNet: An AI-enabled Implantable Sensor Network System for Seizure Prediction [10.362437111632069]
本稿では,Deep Learning (DL) 法と組込み型センサネットワークを用いてててんかん発作を予測するためのクローズドループシステムであるSeezNetを紹介する。以上の結果から,SeizNetは従来の単一モダリティおよび非個人化予測システムよりも優れ,発作の予測精度は最大99%向上した。
論文参考訳（メタデータ） (2024-01-12T15:51:40Z)
Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。ブタ前眼の精度と再現性について実験を行った。
論文参考訳（メタデータ） (2023-01-17T21:41:21Z)
MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
論文参考訳（メタデータ） (2022-11-09T01:07:20Z)
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)
An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
論文参考訳（メタデータ） (2021-08-17T05:49:43Z)
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文参考訳（メタデータ） (2021-01-24T19:03:10Z)
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)
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)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。