論文の概要: Novel entropy difference-based EEG channel selection technique for automated detection of ADHD

• arxiv url: http://arxiv.org/abs/2404.09493v1
• Date: Mon, 15 Apr 2024 06:31:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 13:48:50.449624
• Title: Novel entropy difference-based EEG channel selection technique for automated detection of ADHD
• Title（参考訳）: ADHDの自動検出のためのエントロピー差分に基づく新しい脳波チャネル選択法
• Authors: Shishir Maheshwari, Kandala N V P S Rajesh, Vivek Kanhangad, U Rajendra Acharya, T Sunil Kumar,
• Abstract要約: 本稿では,エントロピー差(EnD)に基づく脳波(EEG)チャネル選択手法を用いたADHD自動検出手法を提案する。 提案手法では,ADHDの正確な同定のために,最も重要な脳波チャンネルを選択した。 提案手法の精度は99.29%であった。
• 参考スコア（独自算出の注目度）: 9.974570957415212
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Attention deficit hyperactivity disorder (ADHD) is one of the common neurodevelopmental disorders in children. This paper presents an automated approach for ADHD detection using the proposed entropy difference (EnD)- based encephalogram (EEG) channel selection approach. In the proposed approach, we selected the most significant EEG channels for the accurate identification of ADHD using an EnD-based channel selection approach. Secondly, a set of features is extracted from the selected channels and fed to a classifier. To verify the effectiveness of the channels selected, we explored three sets of features and classifiers. More specifically, we explored discrete wavelet transform (DWT), empirical mode decomposition (EMD) and symmetrically-weighted local binary pattern (SLBP)-based features. To perform automated classification, we have used k-nearest neighbor (k-NN), Ensemble classifier, and support vectors machine (SVM) classifiers. Our proposed approach yielded the highest accuracy of 99.29% using the public database. In addition, the proposed EnD-based channel selection has consistently provided better classification accuracies than the entropy-based channel selection approach. Also, the developed method
• Abstract（参考訳）: 注意欠陥高活動障害(ADHD)は、小児の神経発達障害の1つである。 本稿では,エントロピー差(EnD)に基づく脳波(EEG)チャネル選択手法を用いたADHD自動検出手法を提案する。 提案手法では,EnDに基づくチャネル選択手法を用いて,ADHDの正確な識別のための最も重要な脳波チャネルを選択した。 次に、選択されたチャンネルから一連の特徴を抽出し、分類器に供給する。 選択したチャネルの有効性を検証するために,3つの特徴セットと分類器を探索した。 具体的には、離散ウェーブレット変換(DWT)、経験モード分解(EMD)および対称重み付き局所二分パターン(SLBP)に基づく特徴について検討した。 自動分類を行うために,k-nearest neighbor (k-NN), Ensemble classifier, Support vectors machine (SVM) classifiersを用いた。 提案手法の精度は99.29%であった。 さらに,提案したEnDチャネル選択法は,エントロピーチャネル選択法よりも優れた分類精度を提供している。 また、その方法も開発されている。

関連論文リスト

• Topological Feature Search Method for Multichannel EEG: Application in ADHD classification [13.381770446807016]
  トポロジカルデータ分析(TDA)はADHD分類の新しい視点を提供する。 本稿では,ADHDにおけるマルチチャネル脳波に適用可能な拡張型TDA手法を提案する。 その結果、精度、感度、特異性はそれぞれ85.60%、83.61%、88.33%に達した。
  論文  参考訳（メタデータ） (2024-04-10T01:37:41Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Identification of Autism spectrum disorder based on a novel feature selection method and Variational Autoencoder [7.0876609220947655]
  安静時機能的磁気共鳴画像(rs-fMRI)のような非侵襲的脳イメージングは、自閉症スペクトラム障害(ASD)の早期診断に有望な解決策である 本稿では rs-fMRI に基づく ASD 診断を支援するための分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T08:50:48Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• An Efficient Epileptic Seizure Detection Technique using Discrete Wavelet Transform and Machine Learning Classifiers [0.0]
  本稿では,離散ウェーブレット変換(DWT)と機械学習分類器を用いたてんかん検出手法を提案する。 DWTは、周波数帯域の異なる信号のより良い分解を提供するため、特徴抽出に使われてきた。
  論文  参考訳（メタデータ） (2021-09-26T18:30:04Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Learning Signal Representations for EEG Cross-Subject Channel Selection and Trial Classification [0.3553493344868413]
  脳波記録の主観非依存チャネル選択のためのアルゴリズムを提案する。 チャネル固有の1D-畳み込みニューラルネットワーク(1D-CNN)を教師付き方法で特徴抽出器として利用し、クラス分離性を最大化する。 トレーニング後、選択されたチャネル固有の1D-CNNのパラメータ化されたサブグループのみを新しい被験者からの新たな信号に転送することで、アルゴリズムを活用できる。
  論文  参考訳（メタデータ） (2021-06-20T06:22:16Z)
• Channel DropBlock: An Improved Regularization Method for Fine-Grained Visual Classification [58.07257910065007]
  既存のアプローチは主に、識別的部分を見つけるための注意機構や、高度にパラメータ化された特徴を弱教師付きで抽出する特徴符号化アプローチを導入することでこの問題に対処している。 本研究では,CDB(Channel DropBlock)と呼ばれる軽量で効果的な正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:03:02Z)
• End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
  本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。 我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。 この一般的なアプローチは、2つの異なるEEGタスクで評価される。
  論文  参考訳（メタデータ） (2021-02-11T13:44:07Z)

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。