論文の概要: RNN-Based Models for Predicting Seizure Onset in Epileptic Patients
- arxiv url: http://arxiv.org/abs/2501.16334v1
- Date: Tue, 24 Dec 2024 08:05:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-02 06:21:30.006734
- Title: RNN-Based Models for Predicting Seizure Onset in Epileptic Patients
- Title（参考訳）: てんかん患者における静注発症予測モデルの検討
- Authors: Mathan Kumar Mounagurusamy, Thiyagarajan V S, Abdur Rahman, Shravan Chandak, D. Balaji, Venkateswara Rao Jallepalli,
- Abstract要約: 既存のシステムの精度と誤報率は、静しきい値と基本的な脳波特性に依存しているため、しばしば妥協される。
本稿では,これらの制約を克服するため,新しいリカレントニューラルネットワーク(RNN)を用いた発作発生予測手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Early management and better clinical outcomes for epileptic patients depend on seizure prediction. The accuracy and false alarm rates of existing systems are often compromised by their dependence on static thresholds and basic Electroencephalogram (EEG) properties. A novel Recurrent Neural Network (RNN)-based method for seizure start prediction is proposed in the article to overcome these limitations. As opposed to conventional techniques, the proposed system makes use of Long Short-Term Memory (LSTM) networks to extract temporal correlations from unprocessed EEG data. It enables the system to adapt dynamically to the unique EEG patterns of each patient, improving prediction accuracy. The methodology of the system comprises thorough data collecting, preprocessing, and LSTM-based feature extraction. Annotated EEG datasets are then used for model training and validation. Results show a considerable reduction in false alarm rates (average of 6.8%) and an improvement in prediction accuracy (90.2% sensitivity, 88.9% specificity, and AUC-ROC of 93). Additionally, computational efficiency is significantly higher than that of existing systems (12 ms processing time, 45 MB memory consumption). About improving seizure prediction reliability, these results demonstrate the effectiveness of the proposed RNN-based strategy, opening up possibilities for its practical application to improve epilepsy treatment.
- Abstract（参考訳）: てんかん患者の早期管理と臨床成績は発作予測に依存する。
既存のシステムの精度と誤報率は、静しきい値と基本的な脳波特性に依存しているため、しばしば妥協される。
本稿では,これらの制約を克服するため,新しいリカレントニューラルネットワーク(RNN)を用いた発作発生予測手法を提案する。
従来の手法とは対照的に,未処理の脳波データから時間相関を抽出するためにLong Short-Term Memory(LSTM)ネットワークを利用する。
これにより、各患者の独自の脳波パターンに動的に適応し、予測精度を向上させることができる。
システムの方法論は、徹底的なデータ収集、前処理、LSTMに基づく特徴抽出を含む。
アノテーション付きEEGデータセットはモデルトレーニングとバリデーションに使用される。
その結果、誤報率(平均6.8%)が大幅に低下し、予測精度(90.2%の感度、88.9%の特異性、93のAUC-ROC)が向上した。
さらに、計算効率は既存のシステムよりも大幅に高い(処理時間12ms、メモリ消費45MB)。
発作予測の信頼性の向上について, 提案手法の有効性を実証し, てんかん治療への応用の可能性を明らかにした。
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) - 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) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse
Pre-Processing Techniques and Machine Learning Models [0.0]
脳波データを用いたてんかん発作予測のための5つの機械学習モデルの比較分析を行った。
本分析の結果は,各モデルの性能を精度で示すものである。
ETモデルは99.29%の精度で最高の性能を示した。
論文 参考訳（メタデータ） (2023-08-06T08:50:08Z) - Machine Learning Techniques for Predicting the Short-Term Outcome of
Resective Surgery in Lesional-Drug Resistance Epilepsy [1.759008116536278]
7つのディフフェレント分類アルゴリズムを用いてデータを解析した。
線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
論文 参考訳（メタデータ） (2023-02-10T13:04:47Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - 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) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
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。