論文の概要: SeizNet: An AI-enabled Implantable Sensor Network System for Seizure
Prediction
- arxiv url: http://arxiv.org/abs/2401.06644v1
- Date: Fri, 12 Jan 2024 15:51:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 18:54:46.282707
- Title: SeizNet: An AI-enabled Implantable Sensor Network System for Seizure
Prediction
- Title(参考訳): SeizNet:セズレ予測のためのAI内蔵型センサーネットワークシステム
- Authors: Ali Saeizadeh, Douglas Schonholtz, Daniel Uvaydov, Raffaele Guida,
Emrecan Demirors, Pedram Johari, Jorge M. Jimenez, Joseph S. Neimat, Tommaso
Melodia
- Abstract要約: 本稿では,Deep Learning (DL) 法と組込み型センサネットワークを用いてててんかん発作を予測するためのクローズドループシステムであるSeezNetを紹介する。
以上の結果から,SeizNetは従来の単一モダリティおよび非個人化予測システムよりも優れ,発作の予測精度は最大99%向上した。
- 参考スコア(独自算出の注目度): 10.362437111632069
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce SeizNet, a closed-loop system for predicting
epileptic seizures through the use of Deep Learning (DL) method and implantable
sensor networks. While pharmacological treatment is effective for some epilepsy
patients (with ~65M people affected worldwide), one out of three suffer from
drug-resistant epilepsy. To alleviate the impact of seizure, predictive systems
have been developed that can notify such patients of an impending seizure,
allowing them to take precautionary measures. SeizNet leverages DL techniques
and combines data from multiple recordings, specifically intracranial
electroencephalogram (iEEG) and electrocardiogram (ECG) sensors, that can
significantly improve the specificity of seizure prediction while preserving
very high levels of sensitivity. SeizNet DL algorithms are designed for
efficient real-time execution at the edge, minimizing data privacy concerns,
data transmission overhead, and power inefficiencies associated with
cloud-based solutions. Our results indicate that SeizNet outperforms
traditional single-modality and non-personalized prediction systems in all
metrics, achieving up to 99% accuracy in predicting seizure, offering a
promising new avenue in refractory epilepsy treatment.
- Abstract(参考訳): 本稿では,Deep Learning (DL) 法と組込み型センサネットワークを用いてててんかん発作を予測する閉ループシステムであるSeezNetを紹介する。
薬理学的治療は一部のてんかん患者(世界中で約65万人が影響を受ける)に効果があるが、3人に1人は薬剤耐性てんかんに苦しむ。
発作の影響を軽減するために、差し迫った発作の患者に通知し、予防措置を講じることができる予測システムが開発されている。
SeizNetはDL技術を活用し、複数の記録、特に頭蓋内脳波(iEEG)と心電図(ECG)センサーからのデータを組み合わせて、非常に高い感度を維持しながら発作予測の特異性を大幅に改善することができる。
seiznet dlアルゴリズムは、エッジでの効率的なリアルタイム実行、データプライバシの懸念、データ転送オーバーヘッド、クラウドベースのソリューションに関連する電力非効率を最小化するように設計されている。
以上の結果から,SeizNetは従来の単一モダリティおよび非個人化予測システムよりも優れており,99%の精度で発作を予測し,難治性てんかん治療における新たな道筋を提供することがわかった。
関連論文リスト
- EpiDeNet: An Energy-Efficient Approach to Seizure Detection for Embedded
Systems [9.525786920713763]
本稿では,新しい軽量な発作検出ネットワークであるEpiDeNetを紹介する。
SSWCE(Sensitivity-Specificity Weighted Cross-Entropy)は、感度と特異性を組み込んだ新たな損失関数である。
SSWCE損失と組み合わされた3ウィンドウの多数決に基づく平滑化方式は、偽陽性を1.18FP/hに3倍減少させる。
論文 参考訳(メタデータ) (2023-08-28T11:29:51Z) - Path Signatures for Seizure Forecasting [0.6282171844772422]
患者固有の方法で発作を予測するための予測的特徴(バイオマーカー)の自動発見を検討する。
データストリームの解析における最近の進展であるパスシグネチャを用いて、測定時系列から発作予測までをマップする。
論文 参考訳(メタデータ) (2023-08-18T05:19:18Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-16T06:28:20Z) - Automatic Seizure Prediction using CNN and LSTM [0.0]
本稿では,発作予測の面倒な作業を完全に自動化するエンドツーエンドのディープラーニングアルゴリズムを提案する。
ネットワークの平均感度は97.746text%、偽陽性率(FPR)は0.2373/hであった。
論文 参考訳(メタデータ) (2022-10-28T15:15:04Z) - Adherence Forecasting for Guided Internet-Delivered Cognitive Behavioral
Therapy: A Minimally Data-Sensitive Approach [59.535699822923]
インターネット提供型心理的治療(IDPT)は、メンタルヘルスのアクセシビリティを向上させるための効果的でスケーラブルな経路であると考えられている。
本研究は,最小限の敏感なログイン/ログアウトデータに依存しながら,自動アドバンス予測を行うディープラーニングアプローチを提案する。
提案されたセルフアテンションネットワークは、治療期間の1/3が経過した時点で、平均的バランスの正確さを70%以上達成した。
論文 参考訳(メタデータ) (2022-01-11T13:55:57Z) - 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) - 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) - Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。
本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。
我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
論文 参考訳(メタデータ) (2020-09-20T12:24:45Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - 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。