Fugu-MT 論文翻訳(概要): Study on spike-and-wave detection in epileptic signals using t-location-scale distribution and the K-nearest neighbors classifier

論文の概要: Study on spike-and-wave detection in epileptic signals using t-location-scale distribution and the K-nearest neighbors classifier

arxiv url: http://arxiv.org/abs/2405.14896v1
Date: Tue, 21 May 2024 21:52:08 GMT
ステータス: 処理完了
システム内更新日: 2024-05-27 19:48:22.531899
Title: Study on spike-and-wave detection in epileptic signals using t-location-scale distribution and the K-nearest neighbors classifier
Title（参考訳）: t位スケール分布とK-nearest neighbors分類器を用いたてんかん信号のスパイク・アンド・ウェーブ検出に関する研究
Authors: Antonio Quintero-Rincón, Jorge Prendes, Valeria Muro, Carlos D'Giano,
Abstract要約: そこで本研究では、t位置スケールの統計的表現に基づくてんかん性脳波信号のk-nearest近辺分類を行い、スパイク・アンド・ウェーブを検出する。提案手法は、スパイク・アンド・ウェーブ現象と正常脳機能信号の両方を含む実際のデータセット上で実証される。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Pattern classification in electroencephalography (EEG) signals is an important problem in biomedical engineering since it enables the detection of brain activity, particularly the early detection of epileptic seizures. In this paper, we propose a k-nearest neighbors classification for epileptic EEG signals based on a t-location-scale statistical representation to detect spike-and-waves. The proposed approach is demonstrated on a real dataset containing both spike-and-wave events and normal brain function signals, where our performance is evaluated in terms of classification accuracy, sensitivity, and specificity.
Abstract（参考訳）: 脳波信号のパターン分類は、脳活動、特にてんかん発作の早期検出を可能にするため、生体工学において重要な問題である。本稿では, スパイク・アンド・ウェーブを検出するため, t位置スケールの統計的表現に基づくてんかん性脳波信号の k-nearest 近傍分類を提案する。提案手法は、スパイク・アンド・ウェーブ現象と正常脳機能信号の両方を含む実データを用いて、分類精度、感度、特異性の観点から評価を行った。

関連論文リスト

EEG-DIF: Early Warning of Epileptic Seizures through Generative Diffusion Model-based Multi-channel EEG Signals Forecasting [9.625156607462127]
本研究では、生成拡散モデル(EEG-DIF)に基づく多信号予測アルゴリズムを提案する。その結果,マルチチャネル脳波信号の将来動向を同時に予測できることが示唆された。 EEG-DIFは、多チャンネル脳波信号を特徴付ける新しいアプローチとてんかん発作に対する革新的な早期警告アルゴリズムを提供する。
論文参考訳（メタデータ） (2024-10-22T18:18:48Z)
SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder [0.0]
本研究では,脳波データからてんかん発作を検出するための半教師付きアプローチを提案する。以上の結果から,SncVAEは脳波データにおける発作検出を改善し,早期発作の早期発見と術後経過のモニタリングが可能であることが示唆された。
論文参考訳（メタデータ） (2024-06-25T13:21:01Z)
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)
Seizure detection from Electroencephalogram signals via Wavelets and Graph Theory metrics [1.62510160294292]
てんかん(てんかん、英: epilepsy)は、てんかん発作が脳の異常、過剰、同期的な活動による過度な発生である、最も一般的な神経疾患の1つである。脳波信号は、脳から放出され、分析され、てんかん発作の検出と予測に重要な役割を果たす。
論文参考訳（メタデータ） (2023-11-28T01:07:14Z)
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)
Sequential Attention Source Identification Based on Feature Representation [88.05527934953311]
本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
論文参考訳（メタデータ） (2023-06-28T03:00:28Z)
DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文参考訳（メタデータ） (2021-12-08T13:07:21Z)
Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文参考訳（メタデータ） (2021-03-18T11:01:21Z)
Mu-suppression detection in motor imagery electroencephalographic signals using the generalized extreme value distribution [0.2062593640149623]
本稿では脳-コンピュータインタフェース(BCI)における脳波信号からのミュー抑制の検出について述べる。統計モデルと線形分類器に基づいて効率的なアルゴリズムを提案する。予備的な結果から, 提案した統計モデルを用いて, ミュープレッションを正確に検出し, 異なる脳波事象を識別できることが示唆された。
論文参考訳（メタデータ） (2020-05-22T15:51:25Z)
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)
A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
論文参考訳（メタデータ） (2020-04-24T23:41:41Z)

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。