論文の概要: SlimSeiz: Efficient Channel-Adaptive Seizure Prediction Using a Mamba-Enhanced Network

• arxiv url: http://arxiv.org/abs/2410.09998v1
• Date: Sun, 13 Oct 2024 20:43:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 03:43:37.195638
• Title: SlimSeiz: Efficient Channel-Adaptive Seizure Prediction Using a Mamba-Enhanced Network
• Title（参考訳）: SlimSeiz: マンバ強化ネットワークを用いた効率の良いチャネル適応型シーズーア予測
• Authors: Guorui Lu, Jing Peng, Bingyuan Huang, Chang Gao, Todor Stefanov, Yong Hao, Qinyu Chen,
• Abstract要約: 本稿では,軽量ニューラルネットワークモデルを用いた適応チャネル選択を利用したSlimSeizフレームワークを提案する。 SlimSeizは2つの状態で動作する。第1ステージは機械学習アルゴリズムを使用して、発作予測のための最適なチャネルセットを選択し、第2ステージは軽量ニューラルネットワークを使用する。 小児病院ボストン-MIT(CHB-MIT)のEEGデータセットでは、SlimSeizはチャンネルを22から8に減らし、94.8%の精度、95.5%の感度、94.0%の特異性を達成している。
• 参考スコア（独自算出の注目度）: 5.538095955340498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Epileptic seizures cause abnormal brain activity, and their unpredictability can lead to accidents, underscoring the need for long-term seizure prediction. Although seizures can be predicted by analyzing electroencephalogram (EEG) signals, existing methods often require too many electrode channels or larger models, limiting mobile usability. This paper introduces a SlimSeiz framework that utilizes adaptive channel selection with a lightweight neural network model. SlimSeiz operates in two states: the first stage selects the optimal channel set for seizure prediction using machine learning algorithms, and the second stage employs a lightweight neural network based on convolution and Mamba for prediction. On the Children's Hospital Boston-MIT (CHB-MIT) EEG dataset, SlimSeiz can reduce channels from 22 to 8 while achieving a satisfactory result of 94.8% accuracy, 95.5% sensitivity, and 94.0% specificity with only 21.2K model parameters, matching or outperforming larger models' performance. We also validate SlimSeiz on a new EEG dataset, SRH-LEI, collected from Shanghai Renji Hospital, demonstrating its effectiveness across different patients. The code and SRH-LEI dataset are available at https://github.com/guoruilu/SlimSeiz.
• Abstract（参考訳）: てんかん発作は異常な脳活動を引き起こし、その予測不能は事故を引き起こし、長期の発作予測の必要性を暗示する。 発作は脳波(EEG)信号を解析することで予測できるが、既存の方法では電極チャネルが多すぎるか、より大きなモデルが必要であり、移動体の使用性が制限される。 本稿では,軽量ニューラルネットワークモデルを用いた適応チャネル選択を利用したSlimSeizフレームワークを提案する。 SlimSeizは2つの状態で動作する。第1ステージは機械学習アルゴリズムを使用して発作予測のための最適なチャネルセットを選択し、第2ステージは畳み込みとMambaに基づく軽量ニューラルネットワークを使用して予測を行う。 小児病院ボストン-MIT(CHB-MIT)のEEGデータセットでは、SlimSeizは、94.8%の精度、95.5%の感度、94.0%の特異性を達成しつつ、22から8までのチャネルを削減できる。 また,上海連日病院から収集した新たな脳波データセットSRH-LEIを用いて,SlimSeizの有効性を検証した。 コードとSRH-LEIデータセットはhttps://github.com/guoruilu/SlimSeiz.comで公開されている。

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)
• Artificial Intelligence (AI) Based Prediction of Mortality, for COVID-19 Patients [0.0]
  重篤な新型コロナウイルス患者に対しては、高リスク患者を特定し、生存とICU(ICU)の必要性を予測することが重要である。 本研究では,9つの機械学習アルゴリズムと2つの広く使われている特徴選択法を組み合わせたディープラーニングアルゴリズムの性能について検討した。 LSTMは最終状態とICU要件を90%, 92%, 86%, 95%の精度, 感度, 特異度, AUCで予測した。
  論文  参考訳（メタデータ） (2024-03-28T12:11:29Z)
• Epilepsy Seizure Detection and Prediction using an Approximate Spiking Convolutional Transformer [12.151626573534001]
  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。
  論文  参考訳（メタデータ） (2024-01-21T19:23:56Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• 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)
• Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily Long Videos of Seizures [58.720142291102135]
  てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。 本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。 本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
  論文  参考訳（メタデータ） (2021-06-22T18:40:31Z)
• 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)
• 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。