論文の概要: SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2406.17537v1
- Date: Tue, 25 Jun 2024 13:21:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-26 14:20:18.381533
- Title: SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder
- Title（参考訳）: SincVAE: SincNetと変分オートエンコーダを用いた脳波データの異常検出を改善する新しいアプローチ
- Authors: Andrea Pollastro, Francesco Isgrò, Roberto Prevete,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past few decades, electroencephalography (EEG) monitoring has become a pivotal tool for diagnosing neurological disorders, particularly for detecting seizures. Epilepsy, one of the most prevalent neurological diseases worldwide, affects approximately the 1 \% of the population. These patients face significant risks, underscoring the need for reliable, continuous seizure monitoring in daily life. Most of the techniques discussed in the literature rely on supervised Machine Learning (ML) methods. However, the challenge of accurately labeling variations in epileptic EEG waveforms complicates the use of these approaches. Additionally, the rarity of ictal events introduces an high imbalancing within the data, which could lead to poor prediction performance in supervised learning approaches. Instead, a semi-supervised approach allows to train the model only on data not containing seizures, thus avoiding the issues related to the data imbalancing. This work proposes a semi-supervised approach for detecting epileptic seizures from EEG data, utilizing a novel Deep Learning-based method called SincVAE. This proposal incorporates the learning of an ad-hoc array of bandpass filter as a first layer of a Variational Autoencoder (VAE), potentially eliminating the preprocessing stage where informative band frequencies are identified and isolated. Results indicate that SincVAE improves seizure detection in EEG data and is capable of identifying early seizures during the preictal stage as well as monitoring patients throughout the postictal stage.
- Abstract（参考訳）: 過去数十年間、脳波モニタリング(EEG)は神経疾患、特に発作を診断するための重要なツールとなっている。
世界有数の神経疾患であるてんかんは、人口の約17%に影響を及ぼす。
これらの患者は重大なリスクに直面しており、日常生活における信頼性のある連続的な発作モニタリングの必要性を強調している。
文献で議論されている技術のほとんどは、教師付き機械学習(ML)手法に依存している。
しかし、てんかん性脳波波形の変動を正確にラベル付けすることの難しさは、これらのアプローチの使用を複雑にしている。
さらに、偶発的なイベントの希少さは、データ内の高いインバランシングを導入し、教師付き学習アプローチにおける予測性能の低下につながる可能性がある。
代わりに、半教師付きアプローチでは、発作を含まないデータのみにモデルをトレーニングすることができるため、データの分散に関する問題を回避することができる。
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。
本提案では,帯域通過フィルタのアドホックアレイを変分オートエンコーダ(VAE)の第1層として学習することにより,情報帯域の周波数を識別・分離する前処理段階を排除できる可能性が示唆された。
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。
関連論文リスト
- From Epilepsy Seizures Classification to Detection: A Deep Learning-based Approach for Raw EEG Signals [0.8182812460605992]
側頭葉てんかんの3分の1は薬剤耐性を示す。
抗敗血症薬開発の鍵となるのはてんかん発作の検出と定量化である。
本研究では,脳波信号に適用した深層学習モデルに基づく発作検出パイプラインを提案する。
論文 参考訳（メタデータ） (2024-10-04T12:52:37Z) - 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) - Early Warning Prediction with Automatic Labeling in Epilepsy Patients [4.6700203020828885]
本稿では,初期文字信号の予測を改善するメタ学習フレームワークを提案する。
提案された双方向最適化フレームワークは、初期段階におけるノイズの多いデータを自動的にラベル付けするのに役立つ。
論文 参考訳（メタデータ） (2023-10-09T18:12:46Z) - 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) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Self-Supervised Learning for Anomalous Channel Detection in EEG Graphs:
Application to Seizure Analysis [4.1372815372396525]
本稿では、発作データへのアクセスが不要な自己教師付き方法で発作チャンネルやクリップを検出することを提案する。
提案手法は,脳波グラフに埋め込まれた局所構造情報と文脈情報を,正と負のサブグラフを用いて検討する。
我々は,脳波による発作研究において,最も大きな発作データセットに関する広範な実験を行い,提案手法が最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-15T21:56:30Z) - Task-oriented Self-supervised Learning for Anomaly Detection in
Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。
大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。
効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文 参考訳（メタデータ） (2022-07-04T13:15:08Z) - 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) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - 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。