論文の概要: Non-invasive Seizure Detection Using Wearable Wrist-worn Accelerometry and Deep Learning

• arxiv url: http://arxiv.org/abs/2610.05919v1
• Date: Mon, 05 Oct 2026 07:35:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 03:13:14.398243
• Title: Non-invasive Seizure Detection Using Wearable Wrist-worn Accelerometry and Deep Learning
• Title（参考訳）: Wrist-worn Accelerometry とDeep Learning を用いた非侵襲的シーズール検出
• Abstract要約: 現在のてんかん治療は、しばしば高価なビデオ脳波(VEEG)モニタリングを伴い、専門的な専門知識を必要とし、病院内設定に限られる。 本研究では,単一手首加速度計を用いたウェアラブル遠隔監視システムについて検討した。 このデータを用いて,時系列ResNetアーキテクチャに基づくディープニューラルネットワークを構築した。
• 参考スコア（独自算出の注目度）: 2.8218955000848287
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Seizure monitoring and detection are crucial for reducing the morbidity and mortality associated with seizures. Current epilepsy care, often involving expensive video-electroencephalography (VEEG) monitoring, requires specialized expertise and is limited to in-hospital settings, and intrusive in nature. Seizure diaries, on the other hand, suffer from unreliability due to under-reporting, leading to incorrect therapeutic decisions. Wearable non-invasive seizure detection may offer a more tolerable and feasible solution for long-term ambulatory monitoring. This study explores a wearable remote monitoring system utilizing a single wrist-worn accelerometer device and capable of detecting multiple types of seizures, including shorter duration events. We enrolled 79 patients under video-electroencephalography monitoring to wear accelerometer devices and collect data. Concurrent VEEG recordings were reviewed by board-certified epileptologists to produce annotations, including seizure onset, offset, and seizure type. Using this data, we constructed a deep neural network based on the time-series ResNet architecture, which could discriminate among seizure and non-seizure events. Our proposed approach achieved a seizure detection sensitivity of 95.65% and an overall false alarm rate of 0.15/24 hours during the evaluation, which spanned 5576 hours of total recording. Additionally, it resulted in an area under the receiver operating characteristic curve (AUC-ROC) of 0.98 and an area under the precision-re call curve (AUC-PRC) of 0.67 when averaged over 20 patients who experienced 46 convulsive seizures. These promising results suggest that the proposed seizure detection system can be effectively used for long-term ambulatory seizure monitoring. Future steps include validating our findings in larger datasets and assessing the utility of detection for additional seizure types.
• Abstract（参考訳）: 発作に伴う死亡率と死亡率の低減には, シーズールモニタリングと検出が不可欠である。 現在のてんかん治療は、しばしば高価なビデオ脳波(VEEG)モニタリングを伴い、専門的な専門知識を必要とし、病院内設定に限られ、自然に侵入する。 一方、清然日記は、報告不足による信頼性の低下に悩まされ、誤った治療判断が下される。 ウェアラブルな非侵襲的な発作検出は、長期の止血モニタリングに対して、より耐え難い、実現可能なソリューションを提供するかもしれない。 本研究では、単一手首加速度計装置を用いたウェアラブル遠隔監視システムについて検討し、短時間のイベントを含む複数の種類の発作を検出する。 加速度計を装着し,データを収集するために,ビデオ脳波モニタリングにより79名の患者を登録した。 VEEGの同時記録は, 発作発症, オフセット, 発作タイプなど, 診断されたてんかん学者によってレビューされた。 このデータを用いて,時系列ResNetアーキテクチャに基づくディープニューラルネットワークを構築した。 提案手法は, 発作検出感度95.65%, 総合的誤報率0.15/24時間を実現し, 総記録時間は5576時間であった。 さらに、46回のけいれん発作を経験した20名以上の患者に対し、AUC-ROCが0.98、AUC-PRCが0.67となった。 これらの有望な結果から,提案した発作検出システムは長期の発作モニタリングに有効であることが示唆された。 今後のステップには、より大きなデータセットで結果を検証すること、追加の発作タイプの検出の有用性を評価することが含まれる。

関連論文リスト

• 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)
• VSViG: Real-time Video-based Seizure Detection via Skeleton-based Spatiotemporal ViG [8.100646331930953]
  正確なて効率的なてんかん発作検出は、患者に有益である。 従来の診断法は、主に脳波(EEG)に依存しており、しばしば困難で移植不可能な解決策をもたらす。 骨格型時間的視覚グラフニューラルネットワークを用いて,ビデオに基づく新しいシーズーア検出モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-24T15:07:29Z)
• Machine Learning Based IoT Adaptive Architecture for Epilepsy Seizure Detection: Anatomy and Analysis [0.0]
  発作追跡システムはてんかんの治療のモニタリングと評価に不可欠である。 今日ではてんかん治療にケアタカー発作日記が用いられているが、臨床的な発作モニタリングでは発作を見逃す可能性がある。 簡単なリアルタイムk-Nearest-Neighbors(kNN)機械学習に基づく汎用的で安価な非侵襲的手法を提案する。
  論文  参考訳（メタデータ） (2023-05-30T18:15:05Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• 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)
• Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily Long Videos of Seizures [58.720142291102135]
  てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。 本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。 本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
  論文  参考訳（メタデータ） (2021-06-22T18:40:31Z)
• 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。