論文の概要: Automated Detection of Epileptic Spikes and Seizures Incorporating a Novel Spatial Clustering Prior
- arxiv url: http://arxiv.org/abs/2501.10404v1
- Date: Sun, 05 Jan 2025 02:06:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-26 03:08:32.096503
- Title: Automated Detection of Epileptic Spikes and Seizures Incorporating a Novel Spatial Clustering Prior
- Title(参考訳): 新しい空間クラスタリングを取り入れたてんかん性スパイクとシーズールの自動検出
- Authors: Hanyang Dong, Shurong Sheng, Xiongfei Wang, Jiahong Gao, Yi Sun, Wanli Yang, Kuntao Xiao, Pengfei Teng, Guoming Luan, Zhao Lv,
- Abstract要約: センサの空間的位置に基づいて,まずMEGチャネルをクラスタリングするパラダイムを導入する。
次に、信号の空間的クラスタリングと時間的変化を統合するために、新しい畳み込み入力モジュールを設計する。
提案手法は,2つの中心から収集した大規模実世界のMEGデータセットであるSanbo-CMRのF1スコア94.73%を達成し,最先端のアプローチを1.85%上回った。
- 参考スコア(独自算出の注目度): 4.432163893362497
- License:
- Abstract: A Magnetoencephalography (MEG) time-series recording consists of multi-channel signals collected by superconducting sensors, with each signal's intensity reflecting magnetic field changes over time at the sensor location. Automating epileptic MEG spike detection significantly reduces manual assessment time and effort, yielding substantial clinical benefits. Existing research addresses MEG spike detection by encoding neural network inputs with signals from all channel within a time segment, followed by classification. However, these methods overlook simultaneous spiking occurred from nearby sensors. We introduce a simple yet effective paradigm that first clusters MEG channels based on their sensor's spatial position. Next, a novel convolutional input module is designed to integrate the spatial clustering and temporal changes of the signals. This module is fed into a custom MEEG-ResNet3D developed by the authors, which learns to extract relevant features and classify the input as a spike clip or not. Our method achieves an F1 score of 94.73% on a large real-world MEG dataset Sanbo-CMR collected from two centers, outperforming state-of-the-art approaches by 1.85%. Moreover, it demonstrates efficacy and stability in the Electroencephalographic (EEG) seizure detection task, yielding an improved weighted F1 score of 1.4% compared to current state-of-the-art techniques evaluated on TUSZ, whch is the largest EEG seizure dataset.
- Abstract(参考訳): 磁気脳波(MEG)の時系列記録は、超伝導センサによって収集されたマルチチャネル信号で構成され、各信号の強度はセンサー位置で時間とともに変化する。
てんかん性MEGスパイク検出の自動化は、手作業による評価時間と労力を大幅に削減し、かなりの臨床効果をもたらす。
既存の研究は、時間セグメント内のすべてのチャネルからの信号でニューラルネットワーク入力を符号化し、次に分類することでMEGスパイク検出に対処している。
しかし、これらの方法は、近くのセンサーから同時にスパイクされるのを見落としている。
センサの空間的位置に基づいて,まずMEGチャネルをクラスタリングする。
次に、信号の空間的クラスタリングと時間的変化を統合するために、新しい畳み込み入力モジュールを設計する。
このモジュールは著者によって開発されたカスタムMEEG-ResNet3Dに入力され、関連する機能を抽出し、インプットをスパイククリップとして分類する。
提案手法は,2つの中心から収集した大規模実世界のMEGデータセットであるSanbo-CMRのF1スコア94.73%を達成し,最先端のアプローチを1.85%上回った。
さらに、脳波発作検出タスクの有効性と安定性を示し、TUSZで評価されている最先端技術と比較すると、改善されたF1スコアが1.4%となり、脳波発作データセットとしては最大である。
関連論文リスト
- CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。
トークン化方式は、チャネルごとのパッチで脳波信号を表現します。
本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
論文 参考訳(メタデータ) (2025-01-18T21:44:38Z) - Machine Learning-based sEMG Signal Classification for Hand Gesture Recognition [3.9440964696313485]
筋電図(EMG)信号を用いて手の動きを解析・分類する。
本稿では,新しい特徴抽出手法を用いてEMGに基づく手動作認識の性能をベンチマークすることを目的とする。
論文 参考訳(メタデータ) (2024-11-23T21:29:51Z) - FoME: A Foundation Model for EEG using Adaptive Temporal-Lateral Attention Scaling [19.85701025524892]
FoME (Foundation Model for EEG) は適応的側方アテンションスケーリングを用いた新しいアプローチである。
FoMEは1.7TBの頭皮と頭蓋内脳波記録のデータセットで事前訓練されており、1,096kのステップで745Mのパラメータが訓練されている。
論文 参考訳(メタデータ) (2024-09-19T04:22:40Z) - DTP-Net: Learning to Reconstruct EEG signals in Time-Frequency Domain by
Multi-scale Feature Reuse [7.646218090238708]
学習可能な時間周波数変換を挟んだDTP(Densely Connected Temporal Pyramid)で構成された、DTP-Netと呼ばれる完全な畳み込みニューラルネットワークを提案する。
脳波信号は様々なアーティファクトによって容易に破壊され、疾患診断や脳-コンピュータインターフェース(BCI)などのシナリオにおいて、信号品質を改善するためにアーティファクトの除去が重要となる
2つの公開セミシミュレートされたデータセットで実施された大規模な実験は、DTP-Netの効果的なアーティファクト除去性能を示す。
論文 参考訳(メタデータ) (2023-11-27T11:09:39Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T13:43:46Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳(メタデータ) (2023-08-31T05:05:53Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - 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 electronic neuromorphic system for real-time detection of High
Frequency Oscillations (HFOs) in intracranial EEG [0.0]
本稿では,脳波記録ヘッドステージと信号-スパイク変換回路とマルチコアスパイクニューラルネットワークアーキテクチャを組み合わせたニューロモルフィックシステムを提案する。
本研究では,HFOを確実に検出する方法について述べる。このシステムは,最先端の精度,特異性,感度(それぞれ78%,100%,33%)で術後発作を予測できる。
これは、イベントベースのプロセッサを使用して、リアルタイム、オンチップで頭蓋内人間のデータに関連する特徴を特定するための最初の可能性研究である。
論文 参考訳(メタデータ) (2020-09-23T16:40:44Z) - 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) - DeepBeat: A multi-task deep learning approach to assess signal quality
and arrhythmia detection in wearable devices [0.0]
我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。
我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。
2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
論文 参考訳(メタデータ) (2020-01-01T07:41:28Z)
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。