論文の概要: Epilepsy Seizure Detection and Prediction using an Approximate Spiking Convolutional Transformer

• arxiv url: http://arxiv.org/abs/2402.09424v1
• Date: Sun, 21 Jan 2024 19:23:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-18 13:16:16.395863
• Title: Epilepsy Seizure Detection and Prediction using an Approximate Spiking Convolutional Transformer
• Title（参考訳）: 近似スパイキング畳み込みトランスを用いたてんかん発作の検出と予測
• Authors: Qinyu Chen, Congyi Sun, Chang Gao, Shih-Chii Liu
• Abstract要約: 本稿では, てんかん発作セグメントを検出し, 予測するために, ニューロモルフィック・スパイキング・コンボリューション・トランス (Spking Convolutional Transformer) を提案する。 ボストン小児病院-MIT(CHB-MIT)脳波データセットを用いたスパイキング・コンフォーマーモデルによる評価結果について報告する。 生の脳波データを入力として使用することにより、提案されたスパイキングコンフォーマーの平均感度は94.9%、特異度は99.3%に達した。
• 参考スコア（独自算出の注目度）: 12.151626573534001
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Epilepsy is a common disease of the nervous system. Timely prediction of seizures and intervention treatment can significantly reduce the accidental injury of patients and protect the life and health of patients. This paper presents a neuromorphic Spiking Convolutional Transformer, named Spiking Conformer, to detect and predict epileptic seizure segments from scalped long-term electroencephalogram (EEG) recordings. We report evaluation results from the Spiking Conformer model using the Boston Children's Hospital-MIT (CHB-MIT) EEG dataset. By leveraging spike-based addition operations, the Spiking Conformer significantly reduces the classification computational cost compared to the non-spiking model. Additionally, we introduce an approximate spiking neuron layer to further reduce spike-triggered neuron updates by nearly 38% without sacrificing accuracy. Using raw EEG data as input, the proposed Spiking Conformer achieved an average sensitivity rate of 94.9% and a specificity rate of 99.3% for the seizure detection task, and 96.8%, 89.5% for the seizure prediction task, and needs >10x fewer operations compared to the non-spiking equivalent model.
• Abstract（参考訳）: てんかんは神経系の一般的な疾患である。 発作や介入治療のタイムリーな予測は、患者の事故的損傷を著しく軽減し、患者の生命と健康を保護する。 本稿では,頭皮式長期脳波計(eeg)記録からてんかん発作セグメントを検出・予測する神経形態的スパイキング畳み込みトランスフォーマ(spiking conformer)を提案する。 ボストン小児病院-MIT(CHB-MIT)脳波データを用いたスパイキング・コンフォーマーモデルの評価結果について報告する。 スパイクに基づく加算演算を利用することで、スパイク共役器は非スパイクモデルと比較して分類計算コストを大幅に削減する。 さらに、スパイクトリガードニューロンの更新を38%近く削減するために、精度を犠牲にすることなく近似スパイクニューロン層を導入する。 入力に生の脳波データを用いた場合、スパイキングコンフォーメータは、平均感度率94.9%、発作検出タスク99.3%、発作予測タスク96.8%、89.5%を達成し、非スパイキング等価モデルと比較して10倍以下の操作が必要となる。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• 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)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Lightweight Convolution Transformer for Cross-patient Seizure Detection in Multi-channel EEG Signals [0.0]
  本研究では、新しいディープラーニングアーキテクチャに基づく軽量畳み込み変換器(LCT)を提案する。 変換器は、多チャンネル脳波(EEG)信号から空間的および時間的相関情報を同時に学習し、より小さなセグメント長で発作を検出する。
  論文  参考訳（メタデータ） (2023-05-07T16:43:52Z)
• 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)
• An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
  畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。 総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
  論文  参考訳（メタデータ） (2021-08-17T05:49:43Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• A Novel Multi-scale Dilated 3D CNN for Epileptic Seizure Prediction [6.688907774518885]
  脳波(eeg)信号の時間,周波数,チャネル情報を解析するために,新しい畳み込みニューラルネットワーク(cnn)を提案する。 モデルは3次元(3D)カーネルを使用して、3次元上の特徴抽出を容易にする。 提案されたCNNモデルはCHB-MIT EEGデータベースで評価され,本モデルが既存の最新技術を上回ることを実験的に示した。
  論文  参考訳（メタデータ） (2021-05-05T07:13:53Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• 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)

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。