論文の概要: Unveiling Intractable Epileptogenic Brain Networks with Deep Learning Algorithms: A Novel and Comprehensive Framework for Scalable Seizure Prediction with Unimodal Neuroimaging Data in Pediatric Patients

• arxiv url: http://arxiv.org/abs/2309.02580v1
• Date: Tue, 5 Sep 2023 21:03:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 17:39:23.831713
• Title: Unveiling Intractable Epileptogenic Brain Networks with Deep Learning Algorithms: A Novel and Comprehensive Framework for Scalable Seizure Prediction with Unimodal Neuroimaging Data in Pediatric Patients
• Title（参考訳）: 深層学習アルゴリズムを用いた難治性てんかん原性脳ネットワークの展開 : 一様脳画像データを用いた拡張性シーズーア予測のための新しい包括的枠組み
• Authors: Bliss Singhal, Fnu Pooja
• Abstract要約: てんかんは、世界中で5000万人、アメリカ人120万人に影響を及ぼす神経疾患である。 本研究は,小児の発作を予測するための新しい包括的枠組みを提案する。 各種機械学習アルゴリズムの性能は、精度、精度、特異性、感度、F1スコア、MCCといった重要な指標に基づいて評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Epilepsy is a prevalent neurological disorder affecting 50 million individuals worldwide and 1.2 million Americans. There exist millions of pediatric patients with intractable epilepsy, a condition in which seizures fail to come under control. The occurrence of seizures can result in physical injury, disorientation, unconsciousness, and additional symptoms that could impede children's ability to participate in everyday tasks. Predicting seizures can help parents and healthcare providers take precautions, prevent risky situations, and mentally prepare children to minimize anxiety and nervousness associated with the uncertainty of a seizure. This research proposes a novel and comprehensive framework to predict seizures in pediatric patients by evaluating machine learning algorithms on unimodal neuroimaging data consisting of electroencephalogram signals. The bandpass filtering and independent component analysis proved to be effective in reducing the noise and artifacts from the dataset. Various machine learning algorithms' performance is evaluated on important metrics such as accuracy, precision, specificity, sensitivity, F1 score and MCC. The results show that the deep learning algorithms are more successful in predicting seizures than logistic Regression, and k nearest neighbors. The recurrent neural network (RNN) gave the highest precision and F1 Score, long short-term memory (LSTM) outperformed RNN in accuracy and convolutional neural network (CNN) resulted in the highest Specificity. This research has significant implications for healthcare providers in proactively managing seizure occurrence in pediatric patients, potentially transforming clinical practices, and improving pediatric care.
• Abstract（参考訳）: てんかんは、世界中で5000万人、アメリカ人120万人に影響を及ぼす神経疾患である。 難治性てんかんの小児患者は数百万人いるが、発作が制御できない状態である。 発作の発生は、身体的外傷、感覚障害、無意識、および子供の日常的な作業に参加する能力を妨げる追加の症状を引き起こす可能性がある。 発作の予知は、親や医療提供者が予防措置を取るのに役立ち、危険な状況を避け、子どもを精神的に準備し、発作の不確実性に関連する不安や緊張を最小限に抑えるのに役立つ。 本研究は,脳波信号を用いた一過性神経画像データに基づく機械学習アルゴリズムの評価により,小児の発作を予測するための新しい包括的枠組みを提案する。 帯域通過フィルタと独立成分分析は、データセットからノイズやアーティファクトを減らすのに有効であることが判明した。 各種機械学習アルゴリズムの性能は、精度、精度、特異性、感度、F1スコア、MCCといった重要な指標に基づいて評価される。 その結果, 深層学習アルゴリズムはロジスティック回帰よりも発作の予測に成功し, k近傍の隣接者よりも精度が高いことがわかった。 recurrent neural network (rnn) は高い精度とf1スコアを示し,long short-term memory (lstm) はrnnよりも精度が優れ,畳み込みニューラルネットワーク (cnn) は高い特異性を示した。 本研究は、小児患者の発作発生を積極的に管理し、臨床実践を変革し、小児医療を改善する医療提供者にとって重要な意味を持つ。

関連論文リスト

• Detection of developmental language disorder in Cypriot Greek children using a neural network algorithm [0.0]
  本研究の目的は,人工知能を用いた発達言語障害(DLD)の自動識別手法の開発である。 このプロトコルは、DLDを持つキプロス系ギリシャ人の子供に初めて適用される。 モデルの性能は精度,精度,リコール,F1スコア,ROC/AUC曲線などの指標を用いて評価した。
  論文  参考訳（メタデータ） (2023-11-25T15:23:46Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• Machine Learning to Support Triage of Children at Risk for Epileptic Seizures in the Pediatric Intensive Care Unit [5.708335717084799]
  小児集中治療室(PICU)に入院した小児はてんかん発作が比較的多い PICU内の発作の危険と判断された小児は、連続脳波(cEEG)を用いてモニタリングされる 本研究の目的は、重篤児の発作リスク評価を改善するためのコンピュータ支援ツールを開発することである。
  論文  参考訳（メタデータ） (2022-05-11T10:24:58Z)
• 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)
• 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)
• Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily Long Videos of Seizures [58.720142291102135]
  てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。 本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。 本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
  論文  参考訳（メタデータ） (2021-06-22T18:40:31Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• 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)
• Towards human-level performance on automatic pose estimation of infant spontaneous movements [2.7086496937827005]
  4種類の畳み込みニューラルネットワークを訓練し、新しい幼児ポーズデータセットを用いて評価した。 最高のパフォーマンスのニューラルネットワークは、人間の専門家アノテーションのラッター間拡散に類似したローカライゼーションエラーを持っていた。 以上の結果から, 乳児の自発運動の評価は, 周産期脳損傷児の発達障害の早期発見に大きく貢献する可能性が示唆された。
  論文  参考訳（メタデータ） (2020-10-12T18:17:47Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• 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。