論文の概要: Lightweight Convolution Transformer for Cross-patient Seizure Detection
in Multi-channel EEG Signals
- arxiv url: http://arxiv.org/abs/2305.04325v1
- Date: Sun, 7 May 2023 16:43:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 16:21:34.642978
- Title: Lightweight Convolution Transformer for Cross-patient Seizure Detection
in Multi-channel EEG Signals
- Title(参考訳): マルチチャネル脳波信号における患者間発作検出のための軽量畳み込みトランスフォーマ
- Authors: Salim Rukhsar and Anil K. Tiwari
- Abstract要約: 本研究では、新しいディープラーニングアーキテクチャに基づく軽量畳み込み変換器(LCT)を提案する。
変換器は、多チャンネル脳波(EEG)信号から空間的および時間的相関情報を同時に学習し、より小さなセグメント長で発作を検出する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Epilepsy is a neurological illness affecting the brain that makes
people more likely to experience frequent, spontaneous seizures. There has to
be an accurate automated method for measuring seizure frequency and severity in
order to assess the efficacy of pharmacological therapy for epilepsy. The drug
quantities are often derived from patient reports which may cause significant
issues owing to inadequate or inaccurate descriptions of seizures and their
frequencies. Methods and materials: This study proposes a novel deep learning
architecture based lightweight convolution transformer (LCT). The transformer
is able to learn spatial and temporal correlated information simultaneously
from the multi-channel electroencephalogram (EEG) signal to detect seizures at
smaller segment lengths. In the proposed model, the lack of translation
equivariance and localization of ViT is reduced using convolution tokenization,
and rich information from the transformer encoder is extracted by sequence
pooling instead of the learnable class token. Results: Extensive experimental
results demonstrate that the proposed model of cross-patient learning can
effectively detect seizures from the raw EEG signals. The accuracy and F1-score
of seizure detection in the cross-patient case on the CHB-MIT dataset are shown
to be 96.31% and 96.32%, respectively, at 0.5 sec segment length. In addition,
the performance metrics show that the inclusion of inductive biases and
attention-based pooling in the model enhances the performance and reduces the
number of transformer encoder layers, which significantly reduces the
computational complexity. In this research work, we provided a novel approach
to enhance efficiency and simplify the architecture for multi-channel automated
seizure detection.
- Abstract(参考訳): 背景:てんかんは脳に影響を及ぼす神経疾患で、頻繁で自発的な発作を経験しやすい。
てんかんに対する薬理学的治療の有効性を評価するためには, 発作頻度と重症度を正確に測定する方法が必要である。
薬物量はしばしば患者の報告から導き出され、発作とその頻度の不十分または不正確な説明によって重大な問題を引き起こす可能性がある。
方法と材料:本研究では,新しい深層学習アーキテクチャに基づく軽量畳み込みトランス (LCT) を提案する。
トランスは、マルチチャネル脳波(eeg)信号から同時に空間的および時間的相関情報を学習し、より小さなセグメント長で発作を検出することができる。
提案モデルでは,畳み込みトークン化を用いてvitの翻訳等価性と局在性の欠如を低減し,学習可能なクラストークンの代わりにシーケンスプーリングによってトランスフォーマエンコーダからの豊富な情報を抽出する。
結果: 広範な実験結果から, 患者間学習のモデルが脳波信号からの発作を効果的に検出できることが判明した。
CHB-MITデータセットの患者横断症例における発作検出の精度とF1スコアはそれぞれ0.5秒間隔で96.31%と96.32%である。
さらに, モデルにインダクティブバイアスと注意に基づくプーリングが組み込まれることで, 性能が向上し, トランスコーダ層数が減少し, 計算複雑性が著しく低下することを示した。
本研究では,マルチチャネル自動発作検出アーキテクチャの効率化と簡易化を目的とした新しい手法を提案する。
関連論文リスト
- 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) - ScatterFormer: Locally-Invariant Scattering Transformer for
Patient-Independent Multispectral Detection of Epileptiform Discharges [7.726017342725144]
微妙な特徴に特に注意を払う不変な散乱変換に基づく階層変換器を提案する。
特に、歪んだ周波数認識注意(FAA)により、Transformerは臨床的に有意な高周波成分を捉えることができる。
ローランドてんかん患者におけるAUCROCの中央値と精度は98.14%,96.39%であった。
論文 参考訳(メタデータ) (2023-04-26T10:10:58Z) - EEG-Based Epileptic Seizure Prediction Using Temporal Multi-Channel
Transformers [1.0970480513577103]
てんかんは最も一般的な神経疾患の1つで、てんかん発作と呼ばれる過渡期および未発症の事象を特徴とする。
脳波はてんかんの診断とモニタリングを補助的に行う方法である。
てんかん発作の予期せぬ性質を考えると、その予測は患者のケアを改善し、生活の質とてんかんの治療を最適化する。
論文 参考訳(メタデータ) (2022-09-18T03:03:47Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - 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) - EEG Signal Processing using Wavelets for Accurate Seizure Detection
through Cost Sensitive Data Mining [2.7907613804877283]
本稿では,アセプション検出のためのウェーブレットの特性に依存するアプローチを提案する。
我々は、信号ノイズを低減するために、最大オーバーラップ離散ウェーブレット変換を利用する。
我々は、再構成されたノイズ低減信号、電極接続、情報伝達の効率から導かれる基本的統計パラメータを用いて属性空間を構築する。
論文 参考訳(メタデータ) (2021-09-22T01:40:51Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳(メタデータ) (2021-06-10T04:21:20Z) - Patient-Specific Seizure Prediction Using Single Seizure
Electroencephalography Recording [16.395309518579914]
本稿では、ウェーブレット変換されたEEGテンソルを畳み込みニューラルネットワーク(CNN)をベースネットワークとし、脳波の変化点を検出するシームズニューラルネットワークに基づく発作予測手法を提案する。
本手法では, 発作予知に複数の発作を応用したモデルに比較して, 10分未満の先天的および間天的データに翻訳する訓練に1回の発作しか必要としない。
論文 参考訳(メタデータ) (2020-11-14T03:45:17Z) - 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。