論文の概要: PySeizure: A single machine learning classifier framework to detect seizures in diverse datasets

• arxiv url: http://arxiv.org/abs/2508.07253v1
• Date: Sun, 10 Aug 2025 09:12:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.779617
• Title: PySeizure: A single machine learning classifier framework to detect seizures in diverse datasets
• Title（参考訳）: PySeizure: さまざまなデータセットの発作を検出する単一の機械学習分類器フレームワーク
• Authors: Bartlomiej Chybowski, Shima Abdullateef, Hollan Haule, Alfredo Gonzalez-Sulser, Javier Escudero,
• Abstract要約: 我々は、様々な臨床データセット間で堅牢な発作検出を可能にする、革新的なオープンソースの機械学習フレームワークを導入する。 堅牢性を高めるため、このフレームワークは自動前処理パイプラインを組み込んで、データの標準化と過半数の投票機構を備えている。 データセット内のモデルをトレーニングし、チューニングし、評価し、データセット間の転送可能性を評価します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable seizure detection is critical for diagnosing and managing epilepsy, yet clinical workflows remain dependent on time-consuming manual EEG interpretation. While machine learning has shown promise, existing approaches often rely on dataset-specific optimisations, limiting their real-world applicability and reproducibility. Here, we introduce an innovative, open-source machine-learning framework that enables robust and generalisable seizure detection across varied clinical datasets. We evaluate our approach on two publicly available EEG datasets that differ in patient populations and electrode configurations. To enhance robustness, the framework incorporates an automated pre-processing pipeline to standardise data and a majority voting mechanism, in which multiple models independently assess each second of EEG before reaching a final decision. We train, tune, and evaluate models within each dataset, assessing their cross-dataset transferability. Our models achieve high within-dataset performance (AUC 0.904+/-0.059 for CHB-MIT and 0.864+/-0.060 for TUSZ) and demonstrate strong generalisation across datasets despite differences in EEG setups and populations (AUC 0.615+/-0.039 for models trained on CHB-MIT and tested on TUSZ and 0.762+/-0.175 in the reverse case) without any post-processing. Furthermore, a mild post-processing improved the within-dataset results to 0.913+/-0.064 and 0.867+/-0.058 and cross-dataset results to 0.619+/-0.036 and 0.768+/-0.172. These results underscore the potential of, and essential considerations for, deploying our framework in diverse clinical settings. By making our methodology fully reproducible, we provide a foundation for advancing clinically viable, dataset-agnostic seizure detection systems. This approach has the potential for widespread adoption, complementing rather than replacing expert interpretation, and accelerating clinical integration.
• Abstract（参考訳）: 難治性発作検出はてんかんの診断と管理に重要であるが、臨床ワークフローは時間を要する手動脳波の解釈に依存している。 機械学習は将来性を示しているが、既存のアプローチはデータセット固有の最適化に依存しており、実際の適用性と再現性を制限する。 本稿では、様々な臨床データセット間で堅牢で汎用的な発作検出を可能にする、革新的なオープンソースの機械学習フレームワークを紹介する。 患者数と電極構成が異なる2つの公開脳波データセットに対するアプローチを評価した。 堅牢性を高めるため、このフレームワークには、データ標準化のための自動前処理パイプラインと、最終的な決定に達する前に複数のモデルでEEGの各秒を独立して評価する多数決メカニズムが組み込まれている。 データセット内のモデルをトレーニングし、チューニングし、評価し、データセット間の転送可能性を評価します。 提案モデルでは,CHB-MIT では 0.904+/-0.059,CHB-MIT では 0.864+/-0.060,CHB-MIT では AUC 0.615+/-0.039,TUSZ では 0.762+/-0.175) を,後処理を伴わず,データセット間での強い一般化を実現している。 さらに、軽度の後処理により、内部データセットの結果は0.913+/-0.064と0.867+/-0.058に改善され、クロスデータセットの結果は0.619+/-0.036と0.768+/-0.172に改善された。 これらの結果は、様々な臨床環境にフレームワークを配置する可能性、および本質的な考察を裏付けるものである。 本手法を完全再現可能にすることで,臨床で実現可能な,データセットに依存しない発作検出システムを構築する基盤を提供する。 このアプローチは広く普及する可能性があり、専門家の解釈に取って代わるのではなく補完し、臨床統合を加速する。

関連論文リスト

• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• BioSerenity-E1: a self-supervised EEG model for medical applications [0.0]
  BioSerenity-E1は臨床脳波治療のための自己監督型基礎モデルの1つである。 スペクトルトークン化とマスク付き予測を組み合わせることで、関連する診断タスク間で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-03-13T13:42:46Z)
• Data-Driven Machine Learning Approaches for Predicting In-Hospital Sepsis Mortality [0.0]
  セプシスはアメリカ合衆国と世界中で多くの死者を負う重篤な状態である。 機械学習を用いたこれまでの研究では、特徴選択とモデル解釈可能性に制限があった。 本研究は,院内敗血症死亡率を予測するための,解釈可能かつ正確な機械学習モデルを開発することを目的とした。
  論文  参考訳（メタデータ） (2024-08-03T00:28:25Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• The Utility of the Virtual Imaging Trials Methodology for Objective Characterization of AI Systems and Training Data [1.6040478776985583]
  臨床および仮想CTとCXRを用いた畳み込みニューラルネットワークを用いた新型コロナウイルスの診断例について検討した。 複数のAIモデルは、多様なデータセットにわたる3D ResNet-likeと2D EfficientNetv2アーキテクチャを使用して開発、テストされた。 VITアプローチは、モデルの透明性と信頼性を高めるために使用することができ、AIのパフォーマンスを駆動する要因に関する微妙な洞察を提供し、実験的および臨床的設定のギャップを埋める。
  論文  参考訳（メタデータ） (2023-08-17T19:12:32Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)

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。