論文の概要: Investigating Brain Connectivity and Regional Statistics from EEG for early stage Parkinson's Classification
- arxiv url: http://arxiv.org/abs/2408.00711v1
- Date: Thu, 1 Aug 2024 16:58:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-04 19:47:32.135935
- Title: Investigating Brain Connectivity and Regional Statistics from EEG for early stage Parkinson's Classification
- Title（参考訳）: パーキンソン病早期分類のための脳波からの脳結合性と地域統計の検討
- Authors: Amarpal Sahota, Amber Roguski, Matthew W Jones, Zahraa S. Abdallah, Raul Santos-Rodriguez,
- Abstract要約: 脳波データ(EEG)を用いたパーキンソン病早期分類における脳機能指標と信号統計値の併用の有効性を評価する。
位相ラグ指数がN1データに対して最大86%の個人分類精度を達成し,各覚醒状態に最適な接続距離を求める。
パーキンソン病の分類におけるN1脳波の有用性は明らかであり, PDにおけるN1睡眠の障害によるものと考えられた。
- 参考スコア（独自算出の注目度）: 0.6990493129893112
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We evaluate the effectiveness of combining brain connectivity metrics with signal statistics for early stage Parkinson's Disease (PD) classification using electroencephalogram data (EEG). The data is from 5 arousal states - wakeful and four sleep stages (N1, N2, N3 and REM). Our pipeline uses an Ada Boost model for classification on a challenging early stage PD classification task with with only 30 participants (11 PD , 19 Healthy Control). Evaluating 9 brain connectivity metrics we find the best connectivity metric to be different for each arousal state with Phase Lag Index achieving the highest individual classification accuracy of 86\% on N1 data. Further to this our pipeline using regional signal statistics achieves an accuracy of 78\%, using brain connectivity only achieves an accuracy of 86\% whereas combining the two achieves a best accuracy of 91\%. This best performance is achieved on N1 data using Phase Lag Index (PLI) combined with statistics derived from the frequency characteristics of the EEG signal. This model also achieves a recall of 80 \% and precision of 96\%. Furthermore we find that on data from each arousal state, combining PLI with regional signal statistics improves classification accuracy versus using signal statistics or brain connectivity alone. Thus we conclude that combining brain connectivity statistics with regional EEG statistics is optimal for classifier performance on early stage Parkinson's. Additionally, we find outperformance of N1 EEG for classification of Parkinson's and expect this could be due to disrupted N1 sleep in PD. This should be explored in future work.
- Abstract（参考訳）: 脳波データ(EEG)を用いた早期パーキンソン病(PD)分類における脳接続指標と信号統計値の組み合わせの有効性を評価した。
データは5つの覚醒状態、覚醒状態と4つの睡眠段階(N1、N2、N3、REM)から得られる。
当社のパイプラインでは,Ada Boostモデルを用いて,30人の参加者(11 PD,19 Healthy Control)による早期PD分類課題の分類を行っている。
9つの脳接続測定値を評価することで、N1データ上で最も個々の分類精度が86\%に達するフェーズラグ指数を用いて、各覚醒状態ごとに最も異なる接続基準を求めることができる。
さらに, 局所信号統計を用いたパイプラインは, 78 %の精度, 脳接続を用いたパイプラインは86 %の精度しか達成せず, 組み合わせたパイプラインは91 %の精度を実現している。
この最良の性能は、位相ラグ指数(PLI)とEEG信号の周波数特性から得られる統計を組み合わせたN1データ上で達成される。
このモデルは80 %のリコールと96 %の精度も達成している。
さらに、各覚醒状態のデータから、PLIと地域信号統計を組み合わせることで、信号統計や脳の接続のみを用いた場合よりも、分類精度が向上することがわかった。
そこで我々は,パーキンソン病早期における脳結合統計と局所脳波統計を組み合わせることが,分類器の性能に最適であると結論付けた。
さらに, パーキンソン病の分類におけるN1脳波の測定結果が得られ, PDにおけるN1睡眠の障害に起因する可能性が示唆された。
これは将来の作業で調べるべきです。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Electromyography Signal Classification Using Deep Learning [0.0]
我々はL2正規化を用いた深層学習モデルを実装し,EMG(Electromyography)データに基づいて学習を行った。
データは、コントロールグループ、ミオパチー、ALS患者から収集されたEMG信号からなる。
このモデルでは、正常症例(対照群)を100%の精度で他の患者と区別することができ、ミオパチーとALSをそれぞれ97.4と98.2の精度で分類することができた。
論文 参考訳（メタデータ） (2023-05-06T10:44:38Z) - Novel Epileptic Seizure Detection Techniques and their Empirical Analysis [2.3301643766310374]
3次元化アルゴリズム、主成分分析(PCA)、独立成分分析(ICA)、線形判別分析(LDA)を用いる。
提案されたフレームワークはBonnデータセットでテストされる。
シミュレーション結果は、LDAとNBの組み合わせに対して100%の精度を提供する。
論文 参考訳（メタデータ） (2023-02-17T20:58:17Z) - Interpretable Classification of Early Stage Parkinson's Disease from EEG [0.6597195879147557]
本稿では,脳波データを用いたパーキンソン病の早期発見のための新しいアプローチを提案する。
この表現は、ノイズの多い脳波信号から必須情報を捕捉し、疾患検出を改善するという仮説である。
この表現から抽出された統計的特徴は、解釈可能な機械学習モデルの入力として利用される。
この論文で示された結果は、パーキンソンの4つの初期段階のケースのうち3つ以上がパイプラインでキャプチャされることを示している。
論文 参考訳（メタデータ） (2023-01-20T16:11:02Z) - Sparse Dynamical Features generation, application to Parkinson's Disease
diagnosis [0.0]
本稿では,脳波の動的,頻度,時間的内容を用いて脳の機能に着想を得た新しいアプローチを提案する。
本手法は,N=50名の被験者を含む3眼球聴覚タスク中に記録された脳波信号を含む公開データセットを用いて評価し,そのうち25名がPDに罹患した。
論文 参考訳（メタデータ） (2022-10-20T22:39:29Z) - 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) - Ensemble of Convolution Neural Networks on Heterogeneous Signals for
Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。
最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文 参考訳（メタデータ） (2021-07-23T06:37:38Z) - Sleep Staging Based on Serialized Dual Attention Network [0.0]
生の脳波に基づく深層学習モデルSDANを提案する。
チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。
他の方法と比較して、N1睡眠期において優れた結果が得られる。
論文 参考訳（メタデータ） (2021-07-18T13:18:12Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z)
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。