Fugu-MT 論文翻訳(概要): EEG-based Epileptic Prediction via a Two-stage Channel-aware Set Transformer Network

論文の概要: EEG-based Epileptic Prediction via a Two-stage Channel-aware Set Transformer Network

arxiv url: http://arxiv.org/abs/2507.15364v1
Date: Mon, 21 Jul 2025 08:16:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-22 20:51:32.318835
Title: EEG-based Epileptic Prediction via a Two-stage Channel-aware Set Transformer Network
Title（参考訳）: 2段階チャネル対応セットトランスネットワークによる脳波による懐疑的予測
Authors: Ruifeng Zheng, Cong Chen, Shuang Wang, Yiming Liu, Lin You, Jindong Lu, Ruizhe Zhu, Guodao Zhang, Kejie Huang,
Abstract要約: 脳波の少ないチャネルセンサで発作を予測できる2段階のSet Transformer Networkを提案する。また,訓練データや検査データの隣接を防止できる発作非依存分割法も検討した。
参考スコア（独自算出の注目度）: 9.158435771736576
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Epilepsy is a chronic, noncommunicable brain disorder, and sudden seizure onsets can significantly impact patients' quality of life and health. However, wearable seizure-predicting devices are still limited, partly due to the bulky size of EEG-collecting devices. To relieve the problem, we proposed a novel two-stage channel-aware Set Transformer Network that could perform seizure prediction with fewer EEG channel sensors. We also tested a seizure-independent division method which could prevent the adjacency of training and test data. Experiments were performed on the CHB-MIT dataset which includes 22 patients with 88 merged seizures. The mean sensitivity before channel selection was 76.4% with a false predicting rate (FPR) of 0.09/hour. After channel selection, dominant channels emerged in 20 out of 22 patients; the average number of channels was reduced to 2.8 from 18; and the mean sensitivity rose to 80.1% with an FPR of 0.11/hour. Furthermore, experimental results on the seizure-independent division supported our assertion that a more rigorous seizure-independent division should be used for patients with abundant EEG recordings.
Abstract（参考訳）: てんかんは慢性でコミュニケーション不能な脳疾患であり、突然の発作は患者の生活と健康の質に大きな影響を及ぼす。しかし、ウェアラブルの発作予測デバイスはまだ限られている。そこで我々は,脳波センサの少ない2段階のSet Transformer Networkを提案する。また,訓練データや検査データの隣接を防止できる発作非依存分割法も検討した。 CHB-MITデータセットを用いて, 88回のけいれん合併患者22名を対象に実験を行った。チャネル選択前の平均感度は76.4%であり、偽予測レート(FPR)は0.09/hourである。チャンネル選択後、22例中20例で支配的なチャネルが出現し、平均チャネル数は18例から2.8例に減少し、平均感度は80.1%まで上昇し、FPRは0.11時間であった。さらに,脳波記録が豊富な患者に対しては,より厳密な発作非依存型除算を併用すべきだという主張を,発作非依存型除算の実験結果から支持した。

関連論文リスト

On-Site Precise Screening of SARS-CoV-2 Systems Using a Channel-Wise Attention-Based PLS-1D-CNN Model with Limited Infrared Signatures [14.03608399920969]
本稿では、減衰された全反射-フーリエ変換赤外分光法(ATR-FTIR)と適応的繰り返し再重み付けされたペナル化最小二乗法(AirPLS)前処理アルゴリズムと、チャネルワイドの注意に基づく畳み込みニューラルネットワーク(PLS-1D-CNN)モデルを統合する手法を提案する。我々のモデルは、最近、呼吸器ウイルスのスペクトル検出の分野で、96.48%の認識スクリーニング精度、96.24%の感度、97.14%の特異性、96.12%のF1スコア、0.99のAUCを達成している。
論文参考訳（メタデータ） (2024-10-26T09:22:35Z)
SlimSeiz: Efficient Channel-Adaptive Seizure Prediction Using a Mamba-Enhanced Network [5.538095955340498]
本稿では,軽量ニューラルネットワークモデルを用いた適応チャネル選択を利用したSlimSeizフレームワークを提案する。 SlimSeizは2つの状態で動作する。第1ステージは機械学習アルゴリズムを使用して、発作予測のための最適なチャネルセットを選択し、第2ステージは軽量ニューラルネットワークを使用する。小児病院ボストン-MIT(CHB-MIT)のEEGデータセットでは、SlimSeizはチャンネルを22から8に減らし、94.8%の精度、95.5%の感度、94.0%の特異性を達成している。
論文参考訳（メタデータ） (2024-10-13T20:43:01Z)
Epilepsy Seizure Detection and Prediction using an Approximate Spiking Convolutional Transformer [12.151626573534001]
本稿では, てんかん発作セグメントを検出し, 予測するために, ニューロモルフィック・スパイキング・コンボリューション・トランス (Spking Convolutional Transformer) を提案する。ボストン小児病院-MIT(CHB-MIT)脳波データセットを用いたスパイキング・コンフォーマーモデルによる評価結果について報告する。生の脳波データを入力として使用することにより、提案されたスパイキングコンフォーマーの平均感度は94.9%、特異度は99.3%に達した。
論文参考訳（メタデータ） (2024-01-21T19:23:56Z)
Sparse Dynamical Features generation, application to Parkinson's Disease diagnosis [0.0]
本稿では,脳波の動的,頻度,時間的内容を用いて脳の機能に着想を得た新しいアプローチを提案する。本手法は,N=50名の被験者を含む3眼球聴覚タスク中に記録された脳波信号を含む公開データセットを用いて評価し,そのうち25名がPDに罹患した。
論文参考訳（メタデータ） (2022-10-20T22:39:29Z)
EEG-Based Epileptic Seizure Prediction Using Temporal Multi-Channel Transformers [1.0970480513577103]
てんかんは最も一般的な神経疾患の1つで、てんかん発作と呼ばれる過渡期および未発症の事象を特徴とする。脳波はてんかんの診断とモニタリングを補助的に行う方法である。てんかん発作の予期せぬ性質を考えると、その予測は患者のケアを改善し、生活の質とてんかんの治療を最適化する。
論文参考訳（メタデータ） (2022-09-18T03:03:47Z)
Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文参考訳（メタデータ） (2021-12-18T14:17:49Z)
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)
Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文参考訳（メタデータ） (2021-06-04T09:51:27Z)
Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文参考訳（メタデータ） (2021-05-06T10:21:28Z)
Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文参考訳（メタデータ） (2020-10-29T19:14:41Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。