論文の概要: Deep Learning for Short-Latency Epileptic Seizure Detection with Probabilistic Classification

• arxiv url: http://arxiv.org/abs/2301.03465v1
• Date: Wed, 4 Jan 2023 08:45:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-15 22:58:25.573531
• Title: Deep Learning for Short-Latency Epileptic Seizure Detection with Probabilistic Classification
• Title（参考訳）: 確率的分類を用いた短時間てんかん発作検出のための深層学習
• Authors: Yankun Xu, Jie Yang, Wenjie Ming, Shuang Wang, and Mohamad Sawan
• Abstract要約: マルチスケール3次元畳み込みニューラルネットワークを用いたリアルタイム脳波によるてんかん発作検出のための新しい枠組みを提案する。 予測確率を正確に把握するために, マルチスケールの短時間フーリエ変換特徴抽出法と3次元畳み込みニューラルネットワークアーキテクチャを提案する。 得られた検出レイテンシは, 過去の研究で報告された最先端結果よりも50%以上高速である。
• 参考スコア（独自算出の注目度）: 6.480989310008518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this manuscript, we propose a novel deep learning (DL)-based framework intended for obtaining short latency in real-time electroencephalogram-based epileptic seizure detection using multiscale 3D convolutional neural networks. We pioneer converting seizure detection task from traditional binary classification of samples from ictal and interictal periods to probabilistic classification of samples from interictal, ictal, and crossing periods. We introduce a crossing period from seizure-oriented EEG recording and propose a labelling rule using soft-label for samples from the crossing period to build a probabilistic classification task. A novel multiscale short-time Fourier transform feature extraction method and 3D convolution neural network architecture are proposed to accurately capture predictive probabilities of samples. Furthermore, we also propose rectified weighting strategy to enhance predictive probabilities, and accumulative decision-making rule to achieve short detection latency. We implement leave-one-seizure-out cross validation on two prevalent datasets -- CHB-MIT scalp EEG dataset and SWEC-ETHZ intracranial EEG dataset. Eventually, the proposed algorithm achieved 94 out of 99 seizures detected during the crossing period, averaged 14.84% rectified predictive ictal probability (RPIP) errors of crossing samples, 2.3 s detection latency, 0.32/h false detection rate on CHB-MIT dataset, meanwhile 84 out of 89 detected seizures, 16.17% RPIP errors, 4.7 s detection latency, and 0.75/h FDR are achieved on SWEC-ETHZ dataset. The obtained detection latencies are at least 50% faster than state-of-the-art results reported in previous studies.
• Abstract（参考訳）: 本稿では,マルチスケール3次元畳み込みニューラルネットワークを用いた,リアルタイム脳波に基づくてんかん発作検出における短レイテンシ獲得を目的とした,新しいディープラーニング(dl)ベースのフレームワークを提案する。 発作検出タスクを、ictal期とinterictal期からの従来の2値分類から、interictal期、ictal期、crosss期からのサンプルの確率的分類に変換する。 発作指向脳波記録からの横断周期を導入し,横断周期からのサンプルにソフトラベルを用いたラベル付け規則を提案し,確率的分類課題を構築する。 サンプルの予測確率を正確に捉えるために,新しい多スケール短時間フーリエ変換特徴抽出法と3次元畳み込みニューラルネットワークアーキテクチャを提案する。 さらに,予測確率を高めるための修正重み付け戦略や,短時間検出遅延を実現するための累積決定ルールを提案する。 chb-mit scalp eeg dataset と swec-ethz intra cranial eeg dataset の2つのデータセットに対して,reft-one-seizure-outクロス検証を実装した。 最終的に、提案アルゴリズムは、横断期間中に検出された99回の発作のうち94回を達成し、平均14.84%の修正予測一致確率(RPIP)誤差、2.3のs検出遅延、CHB-MITデータセットでの0.32/h偽検出率、89回の検出発作のうち84回は16.17%のRPIPエラー、4.7のs検出レイテンシ、0.75/h FDRがSWEC-ETHZデータセット上で達成された。 得られた検出レイテンシは, 前報で報告された最先端結果よりも少なくとも50%高速である。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
  我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。 オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。 各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
  論文  参考訳（メタデータ） (2024-07-20T13:49:14Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [55.17761802332469]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• Epilepsy Seizure Detection and Prediction using an Approximate Spiking Convolutional Transformer [12.151626573534001]
  本稿では, てんかん発作セグメントを検出し, 予測するために, ニューロモルフィック・スパイキング・コンボリューション・トランス (Spking Convolutional Transformer) を提案する。 ボストン小児病院-MIT(CHB-MIT)脳波データセットを用いたスパイキング・コンフォーマーモデルによる評価結果について報告する。 生の脳波データを入力として使用することにより、提案されたスパイキングコンフォーマーの平均感度は94.9%、特異度は99.3%に達した。
  論文  参考訳（メタデータ） (2024-01-21T19:23:56Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• 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)
• Random Forest classifier for EEG-based seizure prediction [0.12183405753834559]
  本稿では,機械学習を用いたてんかん発作予測手法を提案する。 発作予測地平線(SPH)を5分,発作発生期間(SOP)を30分とするベンチマーク頭皮脳波CHB-MITデータセットの20例について検討した。 提案手法は感度82.07 %,低偽陽性率0.0799/hを実現している。
  論文  参考訳（メタデータ） (2021-06-02T15:46:35Z)
• Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
  マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。 さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。 実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
  論文  参考訳（メタデータ） (2020-09-17T17:59:27Z)
• Optimally Displaced Threshold Detection for Discriminating Binary Coherent States Using Imperfect Devices [50.09039506170243]
  雑音や不完全な装置を用いた現実的な状況下で、最適変位しきい値検出(ODTD)を有する一般化されたケネディ受信機の性能を解析的に検討する。 提案アルゴリズムは,既存の手法よりも低次かつスムーズな誤り確率が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-21T21:52:29Z)

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。