論文の概要: Machine Learning-Based Detection of Parkinson's Disease From
Resting-State EEG: A Multi-Center Study
- arxiv url: http://arxiv.org/abs/2303.01389v1
- Date: Thu, 2 Mar 2023 16:19:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 13:35:32.067818
- Title: Machine Learning-Based Detection of Parkinson's Disease From
Resting-State EEG: A Multi-Center Study
- Title（参考訳）: 安静時脳波によるパーキンソン病の機械学習による検出 : 多施設共同研究
- Authors: Anna Kurbatskaya, Alberto Jaramillo-Jimenez, John Fredy Ochoa-Gomez,
Kolbj{\o}rn Br{\o}nnick, Alvaro Fernandez-Quilez
- Abstract要約: 安静時脳波(rs-EEG)はパーキンソン病(PD)の診断に有効である。
本研究では,異なるセンターで得られた4つのデータセットから,84 PDのRS-EEG記録と85 PDの非PD被験者をプールした。
本稿では,プリプロセッシング,臨床的に検証された周波数帯域からのPSD特徴抽出,特徴選択によるエンドツーエンドパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 0.125828876338076
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Resting-state EEG (rs-EEG) has been demonstrated to aid in Parkinson's
disease (PD) diagnosis. In particular, the power spectral density (PSD) of
low-frequency bands ({\delta} and {\theta}) and high-frequency bands ({\alpha}
and \b{eta}) has been shown to be significantly different in patients with PD
as compared to subjects without PD (non-PD). However, rs-EEG feature extraction
and the interpretation thereof can be time-intensive and prone to examiner
variability. Machine learning (ML) has the potential to automatize the analysis
of rs-EEG recordings and provides a supportive tool for clinicians to ease
their workload. In this work, we use rs-EEG recordings of 84 PD and 85 non-PD
subjects pooled from four datasets obtained at different centers. We propose an
end-to-end pipeline consisting of preprocessing, extraction of PSD features
from clinically validated frequency bands, and feature selection before
evaluating the classification ability of the features via ML algorithms to
stratify between PD and non-PD subjects. Further, we evaluate the effect of
feature harmonization, given the multi-center nature of the datasets. Our
validation results show, on average, an improvement in PD detection ability
(69.6% vs. 75.5% accuracy) by logistic regression when harmonizing the features
and performing univariate feature selection (k = 202 features). Our final
results show an average global accuracy of 72.2% with balanced accuracy results
for all the centers included in the study: 60.6%, 68.7%, 77.7%, and 82.2%,
respectively.
- Abstract（参考訳）: 安静時脳波(rs-EEG)はパーキンソン病(PD)の診断に有効である。
特に,低周波帯({\delta} と {\theta} )と高周波帯({\alpha} と \b{eta} )のパワースペクトル密度(PSD)は,PD (non-PD) を有さない患者と比較して有意に異なることが示されている。
しかし、rs−EEG特徴抽出及びその解釈は時間集約的であり、検査者の多様性が低下する。
機械学習(ML)は、RS-EEG記録の分析を自動化し、臨床医が作業負荷を緩和するための支援ツールを提供する。
本研究では,異なるセンターで得られた4つのデータセットから,84 PDのRS-EEG記録と85 PDの非PD被験者を用いた。
そこで本研究では, 臨床で検証された周波数帯域からpsd特徴を抽出し, 特徴選択を行った後, mlアルゴリズムで特徴の分類能力を評価し, pdと非pdを分類する。
さらに,データセットのマルチセンター特性を考慮すると,特徴調和の効果を評価する。
検証の結果,特徴の調和によるロジスティック回帰によるpd検出能力の改善 (69.6% 対 75.5% の精度) と不平等な特徴選択 (k = 202 特徴) が得られた。
最終結果は、調査に含まれる全センターで平均72.2%の精度で、それぞれ60.6%、68.7%、77.7%、82.2%である。
関連論文リスト
- Pose-based Tremor Type and Level Analysis for Parkinson's Disease from
Video [10.577497906432498]
我々は,パーキンソンの震動(PT)を分析し,PDの分析を支援することを提案する。
深層学習に基づくPT分類と重度推定システムであるSPA-PTAを提案する。
論文 参考訳（メタデータ） (2023-12-21T12:05:01Z) - 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) - Assessing gender fairness in EEG-based machine learning detection of
Parkinson's disease: A multi-center study [0.125828876338076]
我々は、以前開発されたMLアルゴリズムのマルチセンター設定において、性別サブグループの検出能力を体系的に分析する。
男女のPD検出能力に有意な差が認められた。
脳波チャンネルと前頭葉脳波チャンネルのセットと、PDと非PDの周波数サブバンドのセットでは、PD検出能力の違いを説明できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-03-11T10:57:23Z) - 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) - Exploring linguistic feature and model combination for speech
recognition based automatic AD detection [61.91708957996086]
音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。
専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。
本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
論文 参考訳（メタデータ） (2022-06-28T05:09:01Z) - 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) - 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) - Machine learning discrimination of Parkinson's Disease stages from
walker-mounted sensors data [0.0]
本研究は,パーキンソン病進行の6段階を識別するための機械学習手法を適用した。
データは、運動障害クリニックの実験で、低コストの歩行センサーによって取得されました。
論文 参考訳（メタデータ） (2020-06-22T09:34:12Z) - 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) - Bulbar ALS Detection Based on Analysis of Voice Perturbation and Vibrato [68.97335984455059]
本研究の目的は,ALS患者の自動検出のための持続母音発声テストの有用性を検証することである。
そこで我々は,音声信号から測定値の計算に必要な基本周期への分離手順の強化を提案した。
論文 参考訳（メタデータ） (2020-03-24T12:49:25Z)
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。