論文の概要: Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse
Pre-Processing Techniques and Machine Learning Models
- arxiv url: http://arxiv.org/abs/2308.05176v1
- Date: Sun, 6 Aug 2023 08:50:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 14:39:32.601896
- Title: Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse
Pre-Processing Techniques and Machine Learning Models
- Title（参考訳）: てんかん発作予測の比較分析 : 多様な前処理技術と機械学習モデルの検討
- Authors: Md. Simul Hasan Talukder, Rejwan Bin Sulaiman
- Abstract要約: 脳波データを用いたてんかん発作予測のための5つの機械学習モデルの比較分析を行った。
本分析の結果は,各モデルの性能を精度で示すものである。
ETモデルは99.29%の精度で最高の性能を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Epilepsy is a prevalent neurological disorder characterized by recurrent and
unpredictable seizures, necessitating accurate prediction for effective
management and patient care. Application of machine learning (ML) on
electroencephalogram (EEG) recordings, along with its ability to provide
valuable insights into brain activity during seizures, is able to make accurate
and robust seizure prediction an indispensable component in relevant studies.
In this research, we present a comprehensive comparative analysis of five
machine learning models - Random Forest (RF), Decision Tree (DT), Extra Trees
(ET), Logistic Regression (LR), and Gradient Boosting (GB) - for the prediction
of epileptic seizures using EEG data. The dataset underwent meticulous
preprocessing, including cleaning, normalization, outlier handling, and
oversampling, ensuring data quality and facilitating accurate model training.
These preprocessing techniques played a crucial role in enhancing the models'
performance. The results of our analysis demonstrate the performance of each
model in terms of accuracy. The LR classifier achieved an accuracy of 56.95%,
while GB and DT both attained 97.17% accuracy. RT achieved a higher accuracy of
98.99%, while the ET model exhibited the best performance with an accuracy of
99.29%. Our findings reveal that the ET model outperformed not only the other
models in the comparative analysis but also surpassed the state-of-the-art
results from previous research. The superior performance of the ET model makes
it a compelling choice for accurate and robust epileptic seizure prediction
using EEG data.
- Abstract（参考訳）: てんかんは、再発と予測不能な発作を特徴とし、効果的な管理と患者のケアのために正確な予測を必要とする神経疾患である。
機械学習(ML)が脳波記録(EEG)に応用され、発作時の脳活動に関する貴重な洞察を提供する能力とともに、関連する研究において正確で堅牢な発作予測が不可欠である。
本研究では,脳波データを用いたてんかん発作の予測のために,ランダムフォレスト (rf), 決定木 (dt), 余分木 (et), ロジスティック回帰 (lr), 勾配促進 (gb) の5つの機械学習モデルの包括的比較分析を行った。
データセットは、クリーニング、正規化、アウトリーチハンドリング、オーバーサンプリング、データ品質の確保、正確なモデルトレーニングの容易化など、綿密な事前処理が行われた。
これらの前処理技術はモデルの性能向上に重要な役割を果たした。
本分析の結果は,各モデルの性能を精度で示すものである。
LR分類器の精度は56.95%、GBとDTは97.17%に達した。
rtは98.99%の精度を達成し、etモデルは99.29%の精度で最高の性能を示した。
その結果, ETモデルは, 比較分析において他のモデルよりも優れており, 過去の研究結果よりも優れていたことがわかった。
ETモデルの優れた性能は、EEGデータを用いた正確で堅牢なてんかん発作予測に魅力的な選択となる。
関連論文リスト
- Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - 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) - Symptom-based Machine Learning Models for the Early Detection of
COVID-19: A Narrative Review [0.0]
機械学習モデルは、患者の報告した症状、臨床データ、医療画像などを取り入れて、大規模なデータセットを分析することができる。
本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。
また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
論文 参考訳（メタデータ） (2023-12-08T01:41:42Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Machine Learning Techniques for Predicting the Short-Term Outcome of
Resective Surgery in Lesional-Drug Resistance Epilepsy [1.759008116536278]
7つのディフフェレント分類アルゴリズムを用いてデータを解析した。
線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
論文 参考訳（メタデータ） (2023-02-10T13:04:47Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - A Generative Model to Synthesize EEG Data for Epileptic Seizure
Prediction [3.8271082752302137]
本稿では, 合成脳波サンプルを生成するための深層畳み込み生成対向ネットワークを提案する。
我々は合成データ、すなわち1クラスSVMと、畳み込みてんかん発作予測器(CESP)と呼ばれる新しい提案を2つの手法で検証する。
以上の結果から,CESPモデルでは78.11%,88.21%,FPR0.27/h,0.14/hの感度が得られた。
論文 参考訳（メタデータ） (2020-12-01T12:00:36Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-18T23:13:48Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。