論文の概要: Time CNN and Graph Convolution Network for Epileptic Spike Detection in MEG Data

• arxiv url: http://arxiv.org/abs/2310.09236v1
• Date: Fri, 13 Oct 2023 16:40:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 12:00:47.105774
• Title: Time CNN and Graph Convolution Network for Epileptic Spike Detection in MEG Data
• Title（参考訳）: MEGデータにおける懐疑的スパイク検出のための時間CNNとグラフ畳み込みネットワーク
• Authors: Pauline Mouches, Thibaut Dejean, Julien Jung, Romain Bouet, Carole Lartizien, Romain Quentin
• Abstract要約: 本稿では1次元時間畳み込みニューラルネットワーク (Time CNN) とグラフ畳み込みニューラルネットワーク (GCN) を結合して, MEG 記録の短時間フレームをスパイクを含むか否かの分類を行う。 我々のモデルは臨床的に関連のある結果を生成し、Deep Learning-based State-of-the-art法では、バランスの取れたデータセットで76.7%、現実的で高度にバランスの取れないデータセットで25.5%の分類に到達した。
• 参考スコア（独自算出の注目度）: 1.9420255676093532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetoencephalography (MEG) recordings of patients with epilepsy exhibit spikes, a typical biomarker of the pathology. Detecting those spikes allows accurate localization of brain regions triggering seizures. Spike detection is often performed manually. However, it is a burdensome and error prone task due to the complexity of MEG data. To address this problem, we propose a 1D temporal convolutional neural network (Time CNN) coupled with a graph convolutional network (GCN) to classify short time frames of MEG recording as containing a spike or not. Compared to other recent approaches, our models have fewer parameters to train and we propose to use a GCN to account for MEG sensors spatial relationships. Our models produce clinically relevant results and outperform deep learning-based state-of-the-art methods reaching a classification f1-score of 76.7% on a balanced dataset and of 25.5% on a realistic, highly imbalanced dataset, for the spike class.
• Abstract（参考訳）: てんかん患者の脳磁図(MEG)は、病理の典型的なバイオマーカーであるスパイクを示す。 これらのスパイクの検出は、発作を引き起こす脳領域の正確な局在を可能にする。 スパイク検出はしばしば手動で行われる。 しかしながら、megデータの複雑さのため、面倒でエラーが発生しやすいタスクである。 この問題を解決するために,1次元時間畳み込みニューラルネットワーク (Time CNN) とグラフ畳み込みニューラルネットワーク (GCN) を組み合わせることで,MEG記録の短時間フレームをスパイクを含むか否かの分類を行う。 近年のアプローチと比較して,本モデルではトレーニングパラメータが少ないため,MEGセンサの空間的関係を考慮したGCNを提案する。 我々のモデルは臨床的に関連のある結果を生成し、ディープラーニングに基づく最先端の手法を上回り、バランスの取れたデータセットでは76.7%、スパイククラスでは25.5%に達している。

関連論文リスト

• 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)
• Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach [0.3222802562733786]
  対象のバイナリ分類に適した,先駆的な深層学習アーキテクチャを提案する。 我々のモデルは、1D畳み込みニューラルネットワーク(CNN)、GRU(Gated Recurrent Units)、GNN(Graph Neural Network)のパワーを利用する。 提案モデルでは, 99.51%, 99.57%, 99.71%, 99.64%のスコアが得られた。
  論文  参考訳（メタデータ） (2024-04-09T15:19:13Z)
• Improving self-supervised pretraining models for epileptic seizure detection from EEG data [0.23624125155742057]
  本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。 自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
  論文  参考訳（メタデータ） (2022-06-28T17:15:49Z)
• Longitudinal detection of new MS lesions using Deep Learning [0.0]
  新たなMS病変の検出・分節作業に対処するディープラーニングベースのパイプラインについて述べる。 まず,1つの時間点を用いたセグメンテーションタスクで訓練されたモデルからの移動学習を提案する。 第2に、新しい病変を伴う現実的な縦断時間を生成するためのデータ合成戦略を提案する。
  論文  参考訳（メタデータ） (2022-06-16T16:09:04Z)
• A complex network approach to time series analysis with application in diagnosis of neuromuscular disorders [1.9659095632676098]
  本稿では,既存手法の限られた精度を克服するために,GraphTSというネットワーク開発手法を提案する。 この目的のために、EMG信号は前処理され、標準的な可視グラフアルゴリズムによって複雑なネットワークにマッピングされる。 結果として得られるネットワークは、健康なサンプルと患者のサンプルを区別することができる。
  論文  参考訳（メタデータ） (2021-08-16T06:44:48Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Automated freezing of gait assessment with marker-based motion capture and deep learning approaches expert-level detection [0.9103175498038585]
  本稿では,深層ニューラルネットワークを用いたモーションキャプチャを用いたFOG評価手法を提案する。 提案ネットワークはマルチステージグラフ畳み込みネットワーク (MS-GCN) と呼ばれ、空間時間グラフ畳み込みネットワーク (ST-GCN) とマルチステージ時間畳み込みネットワーク (MS-TCN) を組み合わせたものである。 実験により,提案モデルが最先端のベースラインを上回ることが示された。
  論文  参考訳（メタデータ） (2021-03-29T09:32:45Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Finding Patient Zero: Learning Contagion Source with Graph Neural Networks [67.3415507211942]
  感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。 既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。 グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
  論文  参考訳（メタデータ） (2020-06-21T21:12:44Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。