論文の概要: Machine Learning Based IoT Adaptive Architecture for Epilepsy Seizure
Detection: Anatomy and Analysis
- arxiv url: http://arxiv.org/abs/2305.19347v2
- Date: Tue, 5 Sep 2023 23:26:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 18:57:27.105966
- Title: Machine Learning Based IoT Adaptive Architecture for Epilepsy Seizure
Detection: Anatomy and Analysis
- Title(参考訳): てんかん発作検出のための機械学習に基づくIoT適応アーキテクチャ:解剖と解析
- Authors: Zag ElSayed, Murat Ozer, Nelly Elsayed, Ahmed Abdelgawad
- Abstract要約: 発作追跡システムはてんかんの治療のモニタリングと評価に不可欠である。
今日ではてんかん治療にケアタカー発作日記が用いられているが、臨床的な発作モニタリングでは発作を見逃す可能性がある。
簡単なリアルタイムk-Nearest-Neighbors(kNN)機械学習に基づく汎用的で安価な非侵襲的手法を提案する。
- 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: A seizure tracking system is crucial for monitoring and evaluating epilepsy
treatments. Caretaker seizure diaries are used in epilepsy care today, but
clinical seizure monitoring may miss seizures. Monitoring devices that can be
worn may be better tolerated and more suitable for long-term ambulatory use.
Many techniques and methods are proposed for seizure detection; However,
simplicity and affordability are key concepts for daily use while preserving
the accuracy of the detection. In this study, we propose a versal, affordable
noninvasive based on a simple real-time k-Nearest-Neighbors (kNN) machine
learning that can be customized and adapted to individual users in less than
four seconds of training time; the system was verified and validated using 500
subjects, with seizure detection data sampled at 178 Hz, the operated with a
mean accuracy of (94.5%).
- Abstract(参考訳): 発作追跡システムはてんかんの治療のモニタリングと評価に不可欠である。
今日ではてんかん治療にケアタカー発作日記が用いられているが、臨床的な発作モニタリングでは発作を見逃す可能性がある。
装着可能な監視装置は、より耐久性が高く、長期使用に適している。
発作検出には多くの技術や方法が提案されているが,検出精度を保ちながら,日常的に使用する上で重要な概念は単純さと手頃さである。
本研究では,簡単なリアルタイムk-Nearest-Neighbors (kNN) 機械学習を用いて,4秒未満のトレーニング時間で個々のユーザに対してカスタマイズおよび適応が可能な汎用的で安価な非侵襲的手法を提案する。
関連論文リスト
- Energy-Efficient Seizure Detection Suitable for low-power Applications [0.5326090003728084]
てんかんは世界中で最も一般的で慢性的な神経疾患である。
神経インプラントは、検出時に来るべき発作を抑制することにより、効果的な治療に使用できる。
本稿では,TC-ResNetと時系列解析によるエネルギー効率の高い発作検出手法を提案する。
論文 参考訳(メタデータ) (2024-06-19T11:36:29Z) - VSViG: Real-time Video-based Seizure Detection via Skeleton-based Spatiotemporal ViG [8.100646331930953]
正確なて効率的なてんかん発作検出は、患者に有益である。
従来の診断法は、主に脳波(EEG)に依存しており、しばしば困難で移植不可能な解決策をもたらす。
骨格型時間的視覚グラフニューラルネットワークを用いて,ビデオに基づく新しいシーズーア検出モデルを提案する。
論文 参考訳(メタデータ) (2023-11-24T15:07:29Z) - Video object detection for privacy-preserving patient monitoring in
intensive care [0.0]
ビデオフレームの時間的継承における情報を活用する新しい手法を提案する。
我々のメソッドは標準のYOLOv5ベースラインモデルを+1.7%mAP@.5で上回り、プロプライエタリなデータセットで10倍以上高速にトレーニングします。
論文 参考訳(メタデータ) (2023-06-26T11:52:22Z) - Leveraging Unlabelled Data in Multiple-Instance Learning Problems for
Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。
本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
論文 参考訳(メタデータ) (2023-04-29T12:25:10Z) - Knowledge-Distilled Graph Neural Networks for Personalized Epileptic
Seizure Detection [43.905374104261014]
そこで,本研究では,全電極から得られたデータに基づいて訓練された高度感応検知器(教師と呼ぶ)から知識を伝達し,新しい検出器(学生と呼ぶ)を学習するための新しい知識蒸留手法を提案する。
どちらも軽量な実装を提供しており、脳波を記録するのに必要な電極の数を大幅に削減している。
以上の結果から,脳波の少ない症例では,知識蒸留とパーソナライゼーションの両方が,発作検出の性能向上に重要な役割を担っていることが明らかとなった。
論文 参考訳(メタデータ) (2023-04-03T15:37:40Z) - Remote Medication Status Prediction for Individuals with Parkinson's
Disease using Time-series Data from Smartphones [75.23250968928578]
本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。
提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
論文 参考訳(メタデータ) (2022-07-26T02:08:08Z) - Reducing a complex two-sided smartwatch examination for Parkinson's
Disease to an efficient one-sided examination preserving machine learning
accuracy [63.20765930558542]
パーキンソン病(PD)研究における技術ベースアセスメントの実施状況について報告した。
本研究は、両手同期スマートウォッチ測定におけるPDサンプルサイズとして最大である。
論文 参考訳(メタデータ) (2022-05-11T09:12:59Z) - Real-Time Seizure Detection using EEG: A Comprehensive Comparison of
Recent Approaches under a Realistic Setting [7.545072251531297]
この研究は、実世界のアプリケーションに適したリアルタイムの発作検出フレームワークにおいて、最先端のモデルと信号特徴抽出器を広範囲に比較する。
私たちのコードはhttps://github.com/AITRICS/EEG_real_time_seizure_detectionで利用可能です。
論文 参考訳(メタデータ) (2022-01-21T16:53:32Z) - 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) - 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) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z)
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。