論文の概要: A Systematic Review of Machine Learning Methods for Multimodal EEG Data in Clinical Application

• arxiv url: http://arxiv.org/abs/2501.08585v1
• Date: Tue, 31 Dec 2024 07:20:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-19 08:09:26.231694
• Title: A Systematic Review of Machine Learning Methods for Multimodal EEG Data in Clinical Application
• Title（参考訳）: 臨床応用におけるマルチモーダル脳波データのための機械学習手法の体系的検討
• Authors: Siqi Zhao, Wangyang Li, Xiru Wang, Stevie Foglia, Hongzhao Tan, Bohan Zhang, Ameer Hamoodi, Aimee Nelson, Zhen Gao,
• Abstract要約: 機械学習(ML)と深層学習(DL)技術は脳波(EEG)信号の解析や脳-コンピュータインターフェース(BCI)に広く応用されている。 マルチモーダルデータの統合により,MLモデルとDLモデルの精度が向上することが示されている。 本稿では,MLモデルとDLモデルにおけるマルチモーダル脳波データを用いた臨床応用について検討する。
• 参考スコア（独自算出の注目度）: 6.03702664869762
• License:
• Abstract: Machine learning (ML) and deep learning (DL) techniques have been widely applied to analyze electroencephalography (EEG) signals for disease diagnosis and brain-computer interfaces (BCI). The integration of multimodal data has been shown to enhance the accuracy of ML and DL models. Combining EEG with other modalities can improve clinical decision-making by addressing complex tasks in clinical populations. This systematic literature review explores the use of multimodal EEG data in ML and DL models for clinical applications. A comprehensive search was conducted across PubMed, Web of Science, and Google Scholar, yielding 16 relevant studies after three rounds of filtering. These studies demonstrate the application of multimodal EEG data in addressing clinical challenges, including neuropsychiatric disorders, neurological conditions (e.g., seizure detection), neurodevelopmental disorders (e.g., autism spectrum disorder), and sleep stage classification. Data fusion occurred at three levels: signal, feature, and decision levels. The most commonly used ML models were support vector machines (SVM) and decision trees. Notably, 11 out of the 16 studies reported improvements in model accuracy with multimodal EEG data. This review highlights the potential of multimodal EEG-based ML models in enhancing clinical diagnostics and problem-solving.
• Abstract（参考訳）: 機械学習(ML)と深層学習(DL)技術は、脳波(EEG)信号の解析や脳-コンピュータインターフェース(BCI)に広く応用されている。 マルチモーダルデータの統合により,MLモデルとDLモデルの精度が向上することが示されている。 脳波と他のモダリティを組み合わせることで、臨床集団の複雑なタスクに対処することで、臨床的意思決定を改善することができる。 本稿では,MLモデルとDLモデルにおけるマルチモーダル脳波データを用いた臨床応用について検討する。 PubMed、Web of Science、Google Scholarで包括的な検索が行われ、3回のフィルタリングで16の関連研究が得られた。 これらの研究は、神経精神疾患、神経疾患(例えば、発作検出)、神経発達障害(例えば、自閉症スペクトラム障害)、睡眠ステージ分類など、臨床上の課題へのマルチモーダル脳波データの適用を実証している。 データ融合は信号、特徴、決定の3つのレベルで発生した。 最も一般的なMLモデルは、サポートベクターマシン(SVM)と決定ツリーである。 特に16件中11件は、マルチモーダル脳波データによるモデル精度の改善が報告されている。 本総説では, 臨床診断と問題解決におけるマルチモーダル脳波を用いたMLモデルの可能性について述べる。

関連論文リスト

• Machine Learning Strategies for Parkinson Tremor Classification Using Wearable Sensor Data [0.4222205362654437]
  機械学習(ML)は、PD分類と診断精度を高める強力なツールとして登場した。 本調査はパーキンソン震の分類に用いられているML手法を概観的にレビューする。 本稿では,ウェアラブルセンサデータを用いたPD診断にMLを適用する際の課題と問題点について論じる。
  論文  参考訳（メタデータ） (2025-01-30T18:36:59Z)
• Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
  特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。 本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-08T09:08:42Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Medical Diagnosis with Large Scale Multimodal Transformers: Leveraging Diverse Data for More Accurate Diagnosis [0.15776842283814416]
  我々は「学習可能なシナジー」の新しい技術的アプローチを提案する。 我々のアプローチは容易に拡張可能であり、臨床ルーチンからのマルチモーダルデータ入力に自然に適応する。 臨床的に関連のある診断タスクにおいて、最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-12-18T20:43:37Z)
• Artificial Intelligence-Based Methods for Fusion of Electronic Health Records and Imaging Data [0.9749560288448113]
  我々は、AI技術を用いて、異なる臨床応用のためにマルチモーダル医療データを融合する文献の合成と分析に重点を置いている。 本報告では, 各種核融合戦略, マルチモーダル核融合を用いた疾患, 臨床成績, 利用可能なマルチモーダル医療データセットを包括的に分析する。
  論文  参考訳（メタデータ） (2022-10-23T07:13:37Z)
• Tensor-Based Multi-Modality Feature Selection and Regression for Alzheimer's Disease Diagnosis [25.958167380664083]
  アルツハイマー病(AD)と軽度認知障害(MCI)の診断・バイオマーカー同定のための新しいテンソルベース多モード特徴選択と回帰法を提案する。 3つの画像モダリティを用いたADNIデータ解析における本手法の実用的利点について述べる。
  論文  参考訳（メタデータ） (2022-09-23T02:17:27Z)
• MMLN: Leveraging Domain Knowledge for Multimodal Diagnosis [10.133715767542386]
  肺疾患診断のための知識駆動型およびデータ駆動型フレームワークを提案する。 本研究は, 臨床医学ガイドラインに従って診断規則を定式化し, テキストデータから規則の重みを学習する。 テキストと画像データからなるマルチモーダル融合は、肺疾患の限界確率を推定するために設計されている。
  論文  参考訳（メタデータ） (2022-02-09T04:12:30Z)
• VBridge: Connecting the Dots Between Features, Explanations, and Data for Healthcare Models [85.4333256782337]
  VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。 我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。 症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
  論文  参考訳（メタデータ） (2021-08-04T17:34:13Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。