論文の概要: A Patient-Independent Neonatal Seizure Prediction Model Using Reduced Montage EEG and ECG

• arxiv url: http://arxiv.org/abs/2511.14110v1
• Date: Tue, 18 Nov 2025 03:47:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.919445
• Title: A Patient-Independent Neonatal Seizure Prediction Model Using Reduced Montage EEG and ECG
• Title（参考訳）: 減量化モンタージュ脳波と心電図を用いた患者非依存型新生児発作予測モデル
• Authors: Sithmini Ranasingha, Agasthi Haputhanthri, Hansa Marasinghe, Nima Wickramasinghe, Kithmin Wickremasinghe, Jithangi Wanigasinghe, Chamira U. S. Edussooriya, Joshua P. Kulasingham,
• Abstract要約: 新生児発作の早期予測のための畳み込みニューラルネットワークモデルを提案する。 提案したモデルの平均精度は97.52%、感度は98.31%、特異性は96.39%、F1スコアは97.95%であった。 以上の結果から,新生児集中治療室における最小管理的展開の可能性が示唆された。
• 参考スコア（独自算出の注目度）: 1.3394640265189308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neonates are highly susceptible to seizures, often leading to short or long-term neurological impairments. However, clinical manifestations of neonatal seizures are subtle and often lead to misdiagnoses. This increases the risk of prolonged, untreated seizure activity and subsequent brain injury. Continuous video electroencephalogram (cEEG) monitoring is the gold standard for seizure detection. However, this is an expensive evaluation that requires expertise and time. In this study, we propose a convolutional neural network-based model for early prediction of neonatal seizures by distinguishing between interictal and preictal states of the EEG. Our model is patient-independent, enabling generalization across multiple subjects, and utilizes mel-frequency cepstral coefficient matrices extracted from multichannel EEG and electrocardiogram (ECG) signals as input features. Trained and validated on the Helsinki neonatal EEG dataset with 10-fold cross-validation, the proposed model achieved an average accuracy of 97.52%, sensitivity of 98.31%, specificity of 96.39%, and F1-score of 97.95%, enabling accurate seizure prediction up to 30 minutes before onset. The inclusion of ECG alongside EEG improved the F1-score by 1.42%, while the incorporation of an attention mechanism yielded an additional 0.5% improvement. To enhance transparency, we incorporated SHapley Additive exPlanations (SHAP) as an explainable artificial intelligence method to interpret the model and provided localization of seizure focus using scalp plots. The overall results demonstrate the model's potential for minimally supervised deployment in neonatal intensive care units, enabling timely and reliable prediction of neonatal seizures, while demonstrating strong generalization capability across unseen subjects through transfer learning.
• Abstract（参考訳）: 新生児は発作に非常に敏感であり、しばしば短期または長期の神経障害を引き起こす。 しかし、新生児発作の臨床症状は微妙であり、しばしば誤診につながる。 これにより、長く、治療されていない発作活動とその後の脳損傷のリスクが増大する。 連続ビデオ脳波(cEEG)モニタリングは発作検出のための金の標準である。 しかし、これは専門知識と時間を要する高価な評価です。 本研究では,脳波の経時的状態と経時的状態の区別による新生児発作の早期予測のための畳み込みニューラルネットワークモデルを提案する。 多チャンネル脳波から抽出したメル周波数ケプストラム係数行列と心電図(ECG)信号を入力特徴として用いた。 ヘルシンキの新生児脳波データセットを10倍のクロスバリデーションでトレーニングし、検証し、提案モデルは平均精度97.52%、感度98.31%、特異性96.39%、F1スコア97.95%を達成し、正確な発作予知を可能にする。 脳波とともにECGを組み込むことでF1スコアは1.42%向上し、注意機構の組み入れにより0.5%向上した。 透過性を高めるため,我々はモデルを理解するための説明可能な人工知能手法としてSHAP(SHapley Additive ExPlanations)を導入し,頭皮プロットを用いた発作焦点の局所化を提供した。 以上の結果から, 新生児期集中治療単位の最小管理的展開の可能性を示し, 新生児期発作のタイムリーかつ信頼性の高い予測を可能にした。

関連論文リスト

• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Epileptic Seizure Detection and Prediction from EEG Data: A Machine Learning Approach with Clinical Validation [0.0]
  本稿では,リアルタイムの発作検出と予測を統合した新しい手法を提案する。 提案手法はCHB-MIT Scalp EEG Databaseを用いて評価した。 この発作を予測できる能力は、反応性の発作管理からより積極的なアプローチへと大きく変化している。
  論文  参考訳（メタデータ） (2025-10-28T21:28:18Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Closed-loop control of seizure activity via real-time seizure forecasting by reservoir neuromorphic computing [31.458406135473805]
  リアルタイムにパーソナライズされたフリーラン刺激を駆動できるニューロモルフィック貯水池コンピューティングハードウェアシステムを提案する。 このシステムは、トレーニング期間中の発作発生を予測する際に、83.33%の精度を達成する。 本研究は, パーソナライズされたDRE治療のための次世代神経調節戦略としてのニューロモルフィックシステムの可能性を示す。
  論文  参考訳（メタデータ） (2025-05-04T06:17:23Z)
• An Empirical Investigation of Reconstruction-Based Models for Seizure Prediction from ECG Signals [0.0]
  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。
  論文  参考訳（メタデータ） (2025-04-11T09:33:11Z)
• 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)
• Using Explainable AI for EEG-based Reduced Montage Neonatal Seizure Detection [2.206534289238751]
  新生児発作検出のゴールドスタンダードは、現在連続したビデオEEGモニタリングに依存している。 脳波モンタージュを低減した新生児発作検出プロセスを自動化するための新しい説明可能な深層学習モデルを提案する。 提案したモデルは、それぞれ曲線下面積(AUC)とリコールにおける8.31%と42.86%の絶対的な改善を達成している。
  論文  参考訳（メタデータ） (2024-06-04T10:53:56Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Scalable Machine Learning Architecture for Neonatal Seizure Detection on Ultra-Edge Devices [0.0]
  本研究では,機械学習(ML)に基づくアーキテクチャを提案する。 本研究で選択した標準MLモデルよりも6%高い87%の感度を達成した。
  論文  参考訳（メタデータ） (2021-11-29T12:42:13Z)
• 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)
• Patient-independent Epileptic Seizure Prediction using Deep Learning Models [39.19336481493405]
  発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。 患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。 患者に依存しない2つの深層学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-18T23:13:48Z)
• 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)

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。