Fugu-MT 論文翻訳(概要): Empirical analysis of Different Dimensionality Reduction and classification Techniques for Epileptic Seizure detection

論文の概要: Empirical analysis of Different Dimensionality Reduction and classification Techniques for Epileptic Seizure detection

arxiv url: http://arxiv.org/abs/2302.12012v2
Date: Thu, 27 Jul 2023 05:23:22 GMT
ステータス: 処理完了
システム内更新日: 2023-07-28 20:10:12.548045
Title: Empirical analysis of Different Dimensionality Reduction and classification Techniques for Epileptic Seizure detection
Title（参考訳）: 異次元化の実証分析とてんかん発作検出のための分類法
Authors: Rabel Guharoy, Nanda Dulal Jana, Suparna Biswas and Lalit Garg
Abstract要約: 脳波(Electroencephalogram、EEG)は、脳の電気活動を記録する非侵襲的な検査である。脳波信号はてんかん検出のためのもので、離散ウェーブレット変換(DWT)と機械学習分類器を用いてててんかん検出を行う。脳波信号に隠された情報は、脳に影響を及ぼす疾患を検出するのに有用である。
参考スコア（独自算出の注目度）: 0.5249805590164902
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: An Electroencephalogram (EEG) is a non-invasive exam that records the electrical activity of the brain. This exam is used to help diagnose conditions such as different brain problems. EEG signals are taken for the purpose of epilepsy detection and with Discrete Wavelet Transform (DWT) and machine learning classifier, they perform epilepsy detection. In Epilepsy seizure detection, mainly machine learning classifiers and statistical features are used. The hidden information in the EEG signal is useful for detecting diseases affecting the brain. Sometimes it is very difficult to identify the minimum changes in the EEG in the time and frequency domains purpose. The DWT can give a good decomposition of the signals in different frequency bands and feature extraction. We use the tri-dimensionality reduction algorithm.; Principal Component Analysis (PCA), Independent Component Analysis (ICA), and Linear Discriminant Analysis (LDA). Finally, features are selected by using a fusion rule and at the last step three different classifiers Support Vector Machine (SVM), Naive Bayes (NB) and K-Nearest-Neighbor(KNN) have been used individually for the classification. The proposed framework is tested on the Bonn dataset and the simulation results provide the accuracy for the combination of LDA and SVM 89.17%, LDA and KNN 80.42%, PCA and NB 89.92%, PCA and SVM 85.58%, PCA and KNN 80.42%, ICA and NB 82.33%, ICA and SVM 90.42%, and ICA and KNN 90%, LDA and NB 100%, accuracy. It shows the sensitivity, specificity, accuracy, Precision, and Recall of 100%, 100%, 100%, 100%, and 100%. This combination of LDA with NB method provides the accuracy of 100% outperforming all existing methods. The results prove the effectiveness of this model.
Abstract（参考訳）: 脳波(Electroencephalogram、EEG)は、脳の電気活動を記録する非侵襲的な検査である。この試験は、異なる脳疾患などの疾患の診断に使用される。脳波信号はてんかん検出のためのもので、離散ウェーブレット変換(DWT)と機械学習分類器を用いてててんかん検出を行う。てんかん発作検出では、主に機械学習分類器と統計的特徴を用いる。脳波信号の隠れた情報は、脳に影響を及ぼす疾患を検出するのに有用である。時と周波数領域の目的における脳波の最小変化を特定するのは非常に困難である。 dwtは周波数帯域の異なる信号の分解と特徴抽出を良好に行うことができる。 3次元性低減アルゴリズムを用いる。主成分分析(pca)、独立成分分析(ica)、線形判別分析(lda)である。最後に、フュージョンルールを用いて特徴を選択し、最後のステップでは3つの異なる分類器サポートベクターマシン(svm)、naive bayes(nb)、k-nearest-neighbor(knn)を個別に分類する。提案したフレームワークはボンデータセット上でテストされ、シミュレーション結果はLDAとSVM 89.17%、LDAとKNN 80.42%、PCAとNB 89.92%、PCAとSVM 85.58%、PCAとKNN 80.42%、ICAとNB 82.33%、ICAとSVM 90.42%、ICAとKNN 90%、LDAとNB 100%の精度を提供する。 100%、100%、100%、100%、100%、100%の感度、特異性、精度、精度、そしてリコールを示す。このLDAとNB法の組み合わせは、既存の手法を100%上回る精度を提供する。その結果、このモデルの有効性が証明された。

関連論文リスト

A Hybrid Artificial Intelligence System for Automated EEG Background Analysis and Report Generation [0.1874930567916036]
本研究では,脳波の背景活動とレポート生成を自動的に解釈する,革新的なハイブリッド人工知能(AI)システムを提案する。このシステムは、後続支配リズム(PDR)予測のためのディープラーニングモデル、教師なしアーティファクト除去、および異常検出のためのエキスパート設計アルゴリズムを組み合わせる。このAIシステムは、全般的なバックグラウンドの減速を検知し、焦点異常の検出を改善することで神経学者を著しく上回った。
論文参考訳（メタデータ） (2024-11-15T01:49:17Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文参考訳（メタデータ） (2023-10-24T02:37:49Z)
Entropy-based machine learning model for diagnosis and monitoring of Parkinson's Disease in smart IoT environment [0.0]
Fuzzy Entropy は rs-EEG を用いたPD の診断とモニタリングにおいて最善を尽くした。機能が少ないため,最大分類精度(ARKF)は99.9%であった。低いパフォーマンスのスマートMLセンサはIoT環境で使用することができ、PDに対する人間のレジリエンスを高めることができる。
論文参考訳（メタデータ） (2023-08-28T08:20:57Z)
Sparse Dynamical Features generation, application to Parkinson's Disease diagnosis [0.0]
本稿では,脳波の動的,頻度,時間的内容を用いて脳の機能に着想を得た新しいアプローチを提案する。本手法は,N=50名の被験者を含む3眼球聴覚タスク中に記録された脳波信号を含む公開データセットを用いて評価し,そのうち25名がPDに罹患した。
論文参考訳（メタデータ） (2022-10-20T22:39:29Z)
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)
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)
Detection of Epileptic Seizures on EEG Signals Using ANFIS Classifier, Autoencoders and Fuzzy Entropies [9.861415775909663]
脳波信号はてんかん発作の検出に広く用いられている。本稿ではファジィ理論と深層学習技術を用いた新しい診断手法を提案する。
論文参考訳（メタデータ） (2021-09-06T11:02:25Z)
Deep Learning Based Classification of Unsegmented Phonocardiogram Spectrograms Leveraging Transfer Learning [0.0]
心臓腫瘍は、聴診プロセス中に検出される最も一般的な異常です。 PCGデータセットは、PhystoNet/CinCとPASCAL(2011)の2種類があります。本研究では,PhystoNetとPASCALデータセットの分類のための,新規で,より複雑で,比較的軽量なカスタムCNNモデルを提案する。
論文参考訳（メタデータ） (2020-12-15T16:32:29Z)
Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文参考訳（メタデータ） (2020-10-29T19:14:41Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。