論文の概要: Protecting the Future: Neonatal Seizure Detection with Spatial-Temporal Modeling

• arxiv url: http://arxiv.org/abs/2307.05382v1
• Date: Sun, 2 Jul 2023 14:28:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-16 03:43:20.851384
• Title: Protecting the Future: Neonatal Seizure Detection with Spatial-Temporal Modeling
• Title（参考訳）: 未来を守る : 空間時間モデルを用いた新生児静置検出
• Authors: Ziyue Li, Yuchen Fang, You Li, Kan Ren, Yansen Wang, Xufang Luo, Juanyong Duan, Congrui Huang, Dongsheng Li, Lili Qiu
• Abstract要約: 本稿では,時間的,空間的,モデルレベルでの厳密な設計による排他的課題に対処する深層学習フレームワークSTATENetを提案する。 実世界の大規模新生児脳波データセットに対する実験により,我々のフレームワークは発作検出性能を著しく向上することが示された。
• 参考スコア（独自算出の注目度）: 21.955397001414187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A timely detection of seizures for newborn infants with electroencephalogram (EEG) has been a common yet life-saving practice in the Neonatal Intensive Care Unit (NICU). However, it requires great human efforts for real-time monitoring, which calls for automated solutions to neonatal seizure detection. Moreover, the current automated methods focusing on adult epilepsy monitoring often fail due to (i) dynamic seizure onset location in human brains; (ii) different montages on neonates and (iii) huge distribution shift among different subjects. In this paper, we propose a deep learning framework, namely STATENet, to address the exclusive challenges with exquisite designs at the temporal, spatial and model levels. The experiments over the real-world large-scale neonatal EEG dataset illustrate that our framework achieves significantly better seizure detection performance.
• Abstract（参考訳）: 新生児脳波(EEG)を呈する新生児の発作のタイムリーな検出は、新生児集中治療室(NICU)で一般的に行われている。 しかし、新生児発作検出の自動化ソリューションを求めるリアルタイムモニタリングには、優れた人間の努力が必要である。 さらに,成人てんかんモニタリングに焦点を絞る現在の自動化手法は,しばしば失敗する。 i)ヒト脳における動的発作発生位置 (ii)新生児及び新生児の異なるモンタージュ (iii)異なる被験者間での大きな分布変化。 本稿では,時間的,空間的,モデルレベルでの厳密な設計による排他的課題に対処する,深層学習フレームワークSTATENetを提案する。 実世界の大規模新生児脳波データセットに対する実験により,我々のフレームワークは発作検出性能を著しく向上することが示された。

関連論文リスト

• Using Explainable AI for EEG-based Reduced Montage Neonatal Seizure Detection [2.206534289238751]
  新生児発作検出のゴールドスタンダードは、現在連続したビデオEEGモニタリングに依存している。 脳波モンタージュを低減した新生児発作検出プロセスを自動化するための新しい説明可能な深層学習モデルを提案する。 提案したモデルは、それぞれ曲線下面積(AUC)とリコールにおける8.31%と42.86%の絶対的な改善を達成している。
  論文  参考訳（メタデータ） (2024-06-04T10:53:56Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• LoCI-DiffCom: Longitudinal Consistency-Informed Diffusion Model for 3D Infant Brain Image Completion [45.361733575664886]
  乳児の脳画像補完のための新しい長周期インフォームド拡散モデルであるLoCI-DiffComを提案する。 提案手法は,コンテキスト認識の整合性を確保しつつ,個別化された発達特徴を抽出することができる。
  論文  参考訳（メタデータ） (2024-05-17T10:53:40Z)
• Cas-DiffCom: Cascaded diffusion model for infant longitudinal super-resolution 3D medical image completion [47.83003164569194]
  超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。 Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
  論文  参考訳（メタデータ） (2024-02-21T12:54:40Z)
• Dynamic Gaussian Splatting from Markerless Motion Capture can Reconstruct Infants Movements [2.44755919161855]
  本研究は,多様な臨床集団に適用可能な高度な運動分析ツールの道を開くものである。 マーカーレスモーションキャプチャーデータに対する動的ガウススプラッティングの適用について検討した。 以上の結果から,この手法が乳幼児の情景を表現し,乳幼児の動きを追跡できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-30T11:09:39Z)
• Predicting Adverse Neonatal Outcomes for Preterm Neonates with Multi-Task Learning [51.487856868285995]
  われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。 特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
  論文  参考訳（メタデータ） (2023-03-28T00:44:06Z)
• Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep Learning Model [0.0]
  我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。 我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
  論文  参考訳（メタデータ） (2022-11-16T11:15:23Z)
• A Deep Learning Approach for the Segmentation of Electroencephalography Data in Eye Tracking Applications [56.458448869572294]
  脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。 エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。 我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
  論文  参考訳（メタデータ） (2022-06-17T10:17:24Z)
• Scalable Machine Learning Architecture for Neonatal Seizure Detection on Ultra-Edge Devices [0.0]
  本研究では,機械学習(ML)に基づくアーキテクチャを提案する。 本研究で選択した標準MLモデルよりも6%高い87%の感度を達成した。
  論文  参考訳（メタデータ） (2021-11-29T12:42:13Z)
• Early Autism Spectrum Disorders Diagnosis Using Eye-Tracking Technology [62.997667081978825]
  資金不足、資格のある専門家の欠如、そして修正方法に対する信頼度の低いことが、AMDのリアルタイム診断に影響を及ぼす主要な問題である。 我々のチームは、子どもの視線活動の情報に基づいて、ALDの確率を予測するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-08-21T20:22:55Z)
• Little Motion, Big Results: Using Motion Magnification to Reveal Subtle Tremors in Infants [0.0]
  妊娠中にオピオイドに曝露された幼児は、出生後に退院の兆候や症状がしばしば現れる。 新生児失禁症候群(Neonatal Abstinence Syndrome,NAS)と呼ばれる臨床像の星座には、震動、発作、刺激性などが含まれる。 FNASSによるモニタリングは、高度に熟練した看護スタッフを必要とし、継続的な監視を困難にしている。 本稿では,増幅された動き信号を用いた地震自動検出システムを提案する。
  論文  参考訳（メタデータ） (2020-08-01T15:35:55Z)

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。