論文の概要: Interpretable Classification of Early Stage Parkinson's Disease from EEG
- arxiv url: http://arxiv.org/abs/2301.09568v2
- Date: Fri, 8 Dec 2023 10:34:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 19:28:28.428818
- Title: Interpretable Classification of Early Stage Parkinson's Disease from EEG
- Title（参考訳）: 脳波による早期パーキンソン病の解釈学的分類
- Authors: Amarpal Sahota, Amber Roguski, Matthew W. Jones, Michal Rolinski, Alan
Whone, Raul Santos-Rodriguez, Zahraa S. Abdallah
- Abstract要約: 本稿では,脳波データを用いたパーキンソン病の早期発見のための新しいアプローチを提案する。
この表現は、ノイズの多い脳波信号から必須情報を捕捉し、疾患検出を改善するという仮説である。
この表現から抽出された統計的特徴は、解釈可能な機械学習モデルの入力として利用される。
この論文で示された結果は、パーキンソンの4つの初期段階のケースのうち3つ以上がパイプラインでキャプチャされることを示している。
- 参考スコア（独自算出の注目度）: 0.6597195879147557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting Parkinson's Disease in its early stages using EEG data presents a
significant challenge. This paper introduces a novel approach, representing EEG
data as a 15-variate series of bandpower and peak frequency
values/coefficients. The hypothesis is that this representation captures
essential information from the noisy EEG signal, improving disease detection.
Statistical features extracted from this representation are utilised as input
for interpretable machine learning models, specifically Decision Tree and
AdaBoost classifiers. Our classification pipeline is deployed within our
proposed framework which enables high-importance data types and brain regions
for classification to be identified. Interestingly, our analysis reveals that
while there is no significant regional importance, the N1 sleep data type
exhibits statistically significant predictive power (p < 0.01) for early-stage
Parkinson's Disease classification. AdaBoost classifiers trained on the N1 data
type consistently outperform baseline models, achieving over 80% accuracy and
recall. Our classification pipeline statistically significantly outperforms
baseline models indicating that the model has acquired useful information.
Paired with the interpretability (ability to view feature importance's) of our
pipeline this enables us to generate meaningful insights into the
classification of early stage Parkinson's with our N1 models. In Future, these
models could be deployed in the real world - the results presented in this
paper indicate that more than 3 in 4 early-stage Parkinson's cases would be
captured with our pipeline.
- Abstract（参考訳）: 脳波データを用いたパーキンソン病の早期発見は重要な課題である。
本稿では,脳波データをバンドパワーとピーク周波数値/効率の15変量列として表現する新しい手法を提案する。
この表現は脳波信号から本質的な情報を取り込み、疾患の検出を改善するという仮説である。
この表現から抽出された統計的特徴は、解釈可能な機械学習モデル、特に決定木とAdaBoost分類器の入力として利用される。
分類パイプラインを提案フレームワーク内に配置することで,分類のための高重要データ型と脳領域を識別できる。
解析の結果,N1睡眠データ型は早期パーキンソン病分類において統計的に有意な予測力 (p < 0.01) を示した。
N1データ型でトレーニングされたAdaBoost分類器は、ベースラインモデルよりも一貫して優れており、80%以上の精度とリコールを実現している。
当社の分類パイプラインは,有用な情報を得たことを示すベースラインモデルを統計的に有意に上回っている。
パイプラインの解釈可能性(機能の重要度を見る能力)と相まって、初期のParkinsonとN1モデルの分類に関する有意義な洞察を得られるようになります。
この論文で示された結果は、パーキンソンの4つの初期段階のケースのうち3つ以上がパイプラインでキャプチャされることを示している。
関連論文リスト
- Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach [0.3222802562733786]
対象のバイナリ分類に適した,先駆的な深層学習アーキテクチャを提案する。
我々のモデルは、1D畳み込みニューラルネットワーク(CNN)、GRU(Gated Recurrent Units)、GNN(Graph Neural Network)のパワーを利用する。
提案モデルでは, 99.51%, 99.57%, 99.71%, 99.64%のスコアが得られた。
論文 参考訳（メタデータ） (2024-04-09T15:19:13Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳（メタデータ） (2023-08-17T20:40:30Z) - A Hybrid Deep Spatio-Temporal Attention-Based Model for Parkinson's
Disease Diagnosis Using Resting State EEG Signals [8.526741765074677]
本研究では,脳波信号を用いたパーキンソン病(PD)の深層学習モデルを提案する。
このモデルは、畳み込みニューラルネットワーク(CNN)、双方向ゲートリカレントユニット(Bi-GRU)、アテンションメカニズムからなるハイブリッドモデルを用いて設計されている。
その結果,提案モデルでは,トレーニングとホールドアウトデータセットの両方でPDを高精度に診断できることが示唆された。
論文 参考訳（メタデータ） (2023-08-14T20:06:19Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - PCA-RF: An Efficient Parkinson's Disease Prediction Model based on
Random Forest Classification [3.6704226968275258]
本稿では,パーキンソン病に対する無作為な森林分類を行う病気予測手法を提案する。
このモデルの精度を主成分分析 (PCA) に適用したニューラルネットワーク (ANN) モデルと比較し, 可視差を捉えた。
モデルの精度は最大90%まで向上した。
論文 参考訳（メタデータ） (2022-03-21T18:59:08Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - EventScore: An Automated Real-time Early Warning Score for Clinical
Events [3.3039612529376625]
臨床劣化を示す各種臨床事象の早期予測のための解釈可能なモデルを構築した。
このモデルは2つのデータセットと4つの臨床イベントで評価される。
私達のモデルは手動で記録された特徴を要求しないで完全に自動化することができます。
論文 参考訳（メタデータ） (2021-02-11T11:55:08Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Bidirectional Representation Learning from Transformers using Multimodal
Electronic Health Record Data to Predict Depression [11.1492931066686]
うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。
このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
論文 参考訳（メタデータ） (2020-09-26T17:56:37Z) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳（メタデータ） (2020-07-15T09:22:55Z)
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。