論文の概要: Demo: Multi-Modal Seizure Prediction System

• arxiv url: http://arxiv.org/abs/2411.05817v1
• Date: Fri, 01 Nov 2024 18:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-17 08:33:22.494761
• Title: Demo: Multi-Modal Seizure Prediction System
• Title（参考訳）: デモ:マルチモーダル・シーズーア予測システム
• Authors: Ali Saeizadeh, Pietro Brach del Prever, Douglas Schonholtz, Raffaele Guida, Emrecan Demirors, Jorge M. Jimenez, Pedram Johari, Tommaso Melodia,
• Abstract要約: SeizNetは、マルチモーダルセンサーネットワークから恩恵を受けるてんかん発作を予測する革新的なシステムである。 てんかんは世界中で約6500万人に影響を及ぼし、その多くは薬剤耐性の発作を経験している。 SeizNetは、移植可能なデバイスのサイズとエネルギー制限を維持しながら、発作予測において97%の精度を達成する。
• 参考スコア（独自算出の注目度）: 9.940843218393198
• License:
• Abstract: This demo presents SeizNet, an innovative system for predicting epileptic seizures benefiting from a multi-modal sensor network and utilizing Deep Learning (DL) techniques. Epilepsy affects approximately 65 million people worldwide, many of whom experience drug-resistant seizures. SeizNet aims at providing highly accurate alerts, allowing individuals to take preventive measures without being disturbed by false alarms. SeizNet uses a combination of data collected through either invasive (intracranial electroencephalogram (iEEG)) or non-invasive (electroencephalogram (EEG) and electrocardiogram (ECG)) sensors, and processed by advanced DL algorithms that are optimized for real-time inference at the edge, ensuring privacy and minimizing data transmission. SeizNet achieves > 97% accuracy in seizure prediction while keeping the size and energy restrictions of an implantable device.
• Abstract（参考訳）: このデモでは、マルチモーダルセンサーネットワークとDeep Learning(DL)技術を活用することで、てんかん発作を予測する革新的なシステムであるSeezNetを紹介した。 てんかんは世界中で約6500万人に影響を及ぼし、その多くは薬剤耐性の発作を経験している。 SeizNetは、高精度な警報を提供することを目標としており、誤報に邪魔されることなく、個人が予防措置をとることができる。 SeizNetは、侵襲的(inracranial electroencephalogram (iEEG))または非侵襲的(Electroencephalogram (EEG))および心電図 (ECG) センサーによって収集されたデータの組み合わせを使用し、エッジでのリアルタイム推論に最適化された高度なDLアルゴリズムによって処理され、プライバシーとデータ転送の最小化が図られている。 SeizNetは、移植可能なデバイスのサイズとエネルギー制限を維持しながら、発作予測において97%の精度を達成する。

関連論文リスト

• A Multi-Modal Non-Invasive Deep Learning Framework for Progressive Prediction of Seizures [10.250114060511134]
  本稿では,発作の進行(発生に間に合う)予測を目的とした革新的なフレームワークを提案する。 本フレームワークでは,非侵襲脳波(EEG)および心電図(ECG)センサのネットワークから,高度なディープラーニング(DL)技術を用いてパーソナライズされたデータを利用する。 29例中95%の感度,98%の特異性,97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-10-26T04:06:09Z)
• SepAl: Sepsis Alerts On Low Power Wearables With Digital Biomarkers and On-Device Tiny Machine Learning [1.0787328610467801]
  セプシス(Sepsis)は、感染症によって引き起こされる臓器不全の致命的な症候群で、全世界で年間1100万人が死亡している。 深層学習に基づく予後アルゴリズムは、実際の事象の数時間前にセプシスの開始を検知するが、バイタルサインや実験室のテストを含む多くのバイオマーカーを使用する。 本稿では、低消費電力ウェアラブルセンサのデータのみを用いて、エネルギー効率が高く軽量なニューラルネットワークであるSepAlを紹介する。
  論文  参考訳（メタデータ） (2024-07-31T09:56:19Z)
• 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)
• 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)
• SeizNet: An AI-enabled Implantable Sensor Network System for Seizure Prediction [10.362437111632069]
  本稿では,Deep Learning (DL) 法と組込み型センサネットワークを用いてててんかん発作を予測するためのクローズドループシステムであるSeezNetを紹介する。 以上の結果から,SeizNetは従来の単一モダリティおよび非個人化予測システムよりも優れ,発作の予測精度は最大99%向上した。
  論文  参考訳（メタデータ） (2024-01-12T15:51:40Z)
• EpiDeNet: An Energy-Efficient Approach to Seizure Detection for Embedded Systems [9.525786920713763]
  本稿では,新しい軽量な発作検出ネットワークであるEpiDeNetを紹介する。 SSWCE(Sensitivity-Specificity Weighted Cross-Entropy)は、感度と特異性を組み込んだ新たな損失関数である。 SSWCE損失と組み合わされた3ウィンドウの多数決に基づく平滑化方式は、偽陽性を1.18FP/hに3倍減少させる。
  論文  参考訳（メタデータ） (2023-08-28T11:29:51Z)
• Automatic Seizure Prediction using CNN and LSTM [0.0]
  本稿では,発作予測の面倒な作業を完全に自動化するエンドツーエンドのディープラーニングアルゴリズムを提案する。 ネットワークの平均感度は97.746text%、偽陽性率(FPR)は0.2373/hであった。
  論文  参考訳（メタデータ） (2022-10-28T15:15:04Z)
• 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)
• Towards Adversarial Patch Analysis and Certified Defense against Crowd Counting [61.99564267735242]
  安全クリティカルな監視システムの重要性から、群衆のカウントは多くの注目を集めています。 近年の研究では、ディープニューラルネットワーク(DNN)の手法が敵の攻撃に弱いことが示されている。 群衆カウントモデルのロバスト性を評価するために,Momentumを用いた攻撃戦略としてAdversarial Patch Attackを提案する。
  論文  参考訳（メタデータ） (2021-04-22T05:10:55Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)
• 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。