論文の概要: An Empirical Investigation of Reconstruction-Based Models for Seizure Prediction from ECG Signals

• arxiv url: http://arxiv.org/abs/2504.08381v1
• Date: Fri, 11 Apr 2025 09:33:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:17:44.783236
• Title: An Empirical Investigation of Reconstruction-Based Models for Seizure Prediction from ECG Signals
• Title（参考訳）: 再構成モデルによる心電図信号からの震度予測の実証的研究
• Authors: Mohammad Reza Chopannavaz, Foad Ghaderi,
• Abstract要約: てんかん発作(Epileptic seizures)は、脳の異常で過剰な神経活動が特徴の神経疾患である。 伝統的に、脳波信号は発作予知の主要な標準となっている。 本研究は発作予測の代替手段として心電図信号を活用することに焦点を当てる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Epileptic seizures are sudden neurological disorders characterized by abnormal, excessive neuronal activity in the brain, which is often associated with changes in cardiovascular activity. These disruptions can pose significant physical and psychological challenges for patients. Therefore, accurate seizure prediction can help mitigate these risks by enabling timely interventions, ultimately improving patients' quality of life. Traditionally, EEG signals have been the primary standard for seizure prediction due to their precision in capturing brain activity. However, their high cost, susceptibility to noise, and logistical constraints limit their practicality, restricting their use to clinical settings. In order to overcome these limitations, this study focuses on leveraging ECG signals as an alternative for seizure prediction. In this paper, we present a novel method for predicting seizures based on detecting anomalies in ECG signals during their reconstruction. By extracting time-frequency features and leveraging various advanced deep learning architectures, the proposed method identifies deviations in heart rate dynamics associated with seizure onset. The proposed approach was evaluated using the Siena database and could achieve specificity of 99.16\%, accuracy of 76.05\%, and false positive rate (FPR) of 0.01/h, with an average prediction time of 45 minutes before seizure onset. These results highlight the potential of ECG-based seizure prediction as a patient-friendly alternative to traditional EEG-based methods.
• Abstract（参考訳）: てんかん発作(英: Epileptic seizures)は、脳の異常で過剰な神経活動が特徴の突然の神経障害であり、しばしば心臓血管活動の変化と関連している。 これらの破壊は、患者にとって重要な身体的および心理的課題を引き起こす可能性がある。 したがって、正確な発作予測は、タイムリーな介入を可能にし、最終的には患者の生活の質を向上させることで、これらのリスクを軽減するのに役立つ。 伝統的に、脳波信号は脳活動を正確に捉えるため、発作予知の主要な標準となっている。 しかし、その高コスト、騒音への感受性、物的制約は実用性を制限し、臨床的な設定での使用を制限する。 これらの制限を克服するために,発作予測の代替手段としてECG信号を活用することに焦点を当てた。 本稿では,心電図信号の再構成における異常検出に基づく発作の予測手法を提案する。 時間周波数の特徴を抽出し,様々な高度なディープラーニングアーキテクチャを活用することにより,発作発生に伴う心拍変動を同定する。 提案手法はシエナデータベースを用いて評価し, 99.16\%, 76.05\%, 偽陽性率0.01/h, 平均予測時間は45分であった。 これらの結果は、従来の脳波法に代わる患者に優しいものとして、心電図に基づく発作予測の可能性を強調した。

関連論文リスト

• 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)
• Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
  我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。 オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。 各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
  論文  参考訳（メタデータ） (2024-07-20T13:49:14Z)
• 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)
• HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted Corrections for Reliable Regression on Imbalanced Electrocardiograms [3.482894964998886]
  本稿では,医療時系列における不均衡確率回帰の枠組みであるHypUCを提案する。 HypUCは数百万の患者から収集された、多様で現実世界のECGデータセットで評価されている。
  論文  参考訳（メタデータ） (2023-11-23T06:17:31Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Searching for waveforms on spatially-filtered epileptic ECoG [1.7948767405202701]
  発作はてんかんの患者の定義症状の1つであり、その発表されていない発生のために、それに苦しむ個人に深刻なリスクを及ぼす可能性があります。 新しい研究は、差し迫った発作の予測と先制化に有望な未来を示している。 データ駆動波形学習手法は、発作予測のための予測力を持つ機能に貢献する可能性を秘めている。
  論文  参考訳（メタデータ） (2021-03-25T14:05:08Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• 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)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• Towards Early Diagnosis of Epilepsy from EEG Data [4.958589793470847]
  てんかんは最も一般的な神経疾患の1つで、あらゆる年齢の人口の約1%に影響を及ぼす。 そこで本稿では, 発作発生前において, 現代の機械学習(ML)技術がてんかん発生(EPG)を検出できるかどうかを検討する。 本稿では,深層畳み込みニューラルネットワーク(CNN)と予測集約手法を組み合わせたEPG識別のためのMLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T21:04:54Z)
• 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。