論文の概要: Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis

• arxiv url: http://arxiv.org/abs/2301.01588v1
• Date: Wed, 23 Nov 2022 00:28:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-19 01:15:10.725707
• Title: Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis
• Title（参考訳）: パワースペクトルに基づく1次エピソード精神病の脳波分類
• Authors: Sadi Md. Redwan, Md Palash Uddin, Anwaar Ulhaq, and Muhammad Imran Sharif
• Abstract要約: 脳の異常活動パターンの同定における刺激非依存型脳波の有用性を示す。 複数の周波数帯域を組み込んだ一般化モデルでは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付けるのがより効率的である。 本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。
• 参考スコア（独自算出の注目度）: 1.3416169841532526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Historically, the analysis of stimulus-dependent time-frequency patterns has been the cornerstone of most electroencephalography (EEG) studies. The abnormal oscillations in high-frequency waves associated with psychotic disorders during sensory and cognitive tasks have been studied many times. However, any significant dissimilarity in the resting-state low-frequency bands is yet to be established. Spectral analysis of the alpha and delta band waves shows the effectiveness of stimulus-independent EEG in identifying the abnormal activity patterns of pathological brains. A generalized model incorporating multiple frequency bands should be more efficient in associating potential EEG biomarkers with First-Episode Psychosis (FEP), leading to an accurate diagnosis. We explore multiple machine-learning methods, including random-forest, support vector machine, and Gaussian Process Classifier (GPC), to demonstrate the practicality of resting-state Power Spectral Density (PSD) to distinguish patients of FEP from healthy controls. A comprehensive discussion of our preprocessing methods for PSD analysis and a detailed comparison of different models are included in this paper. The GPC model outperforms the other models with a specificity of 95.78% to show that PSD can be used as an effective feature extraction technique for analyzing and classifying resting-state EEG signals of psychiatric disorders.
• Abstract（参考訳）: 歴史的に、刺激依存性の時間周波数パターンの分析は、ほとんどの脳波研究の基盤となっている。 知覚・認知課題中の精神病性障害に関連する高周波波の異常振動は何度も研究されている。 しかし、安静状態の低周波帯における顕著な相違点はまだ確立されていない。 アルファ波とデルタ波のスペクトル分析は、脳の異常活動パターンの同定における刺激非依存性脳波の有効性を示す。 複数の周波数帯域を組み込んだ一般化モデルは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付ける上でより効率的であり、正確な診断につながる。 本研究では, ランダムフォレスト, サポートベクターマシン, ガウス過程分類器 (gpc) を含む複数の機械学習手法を検討し, fep患者と正常なコントロールを区別するための安静状態パワースペクトル密度 (psd) の実用性を示す。 本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。 GPCモデルは95.78%の特異性で他のモデルよりも優れており、精神疾患の安静時脳波信号を分析・分類するための効果的な特徴抽出技術としてPSDが使用できることを示している。

関連論文リスト

• Wavelet Analysis of Noninvasive EEG Signals Discriminates Complex and Natural Grasp Types [0.16385815610837165]
  本研究の目的は,脳波を用いた神経補綴器開発と脳-コンピュータ・インタフェース(BCI)の応用を目的とした脳波からの握手をデコードすることである。
  論文  参考訳（メタデータ） (2024-01-31T23:13:38Z)
• A multi-artifact EEG denoising by frequency-based deep learning [5.231056284485742]
  我々は周波数領域で動作する新しい脳波復調モデルを開発し、ノイズスペクトルの特徴に関する事前知識を活用している。 EEGdenoiseNetデータセットの性能評価は、提案モデルが時間およびスペクトルの指標に応じて最適な結果を得ることを示す。
  論文  参考訳（メタデータ） (2023-10-26T12:01:47Z)
• BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph Diffusion Learning [21.689503325383253]
  実世界のSEEGデータセットにおけるてんかん性波を検出するための,最初のデータ駆動型研究を提案する。 臨床的には、てんかん波の活動は脳の異なる領域間で伝播していると考えられている。 各患者に対して正確なてんかん原性ネットワークをどうやって抽出するかという問題は、神経科学の分野では未解決の問題のままである。
  論文  参考訳（メタデータ） (2023-06-15T08:29:10Z)
• Optimized EEG based mood detection with signal processing and deep neural networks for brain-computer interface [0.0]
  本研究の目的は,脳波と被験者の気分との関係を識別するスマート意思決定モデルを確立することである。 健康な28人の被験者の脳波は同意を得て観測され、気分を研究・認識する試みがなされている。 これらの技術を用いて、96.01%の検出精度が得られた。
  論文  参考訳（メタデータ） (2023-03-30T15:23:24Z)
• 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)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• 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)
• 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)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)
• 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。