文献

J-GLOBAL ID：201802282222411117   整理番号：18A1622405

機械学習に基づく一般化自動発作検出システムに関する研究【JST・京大機械翻訳】

A Study on Machine Learning Based Generalized Automated Seizure Detection System

著者 (2件)： Tanu (Dr. B R Ambedkar National Institute of Technology, Research Scholar Department of Electronics and Communication, Jalandhar, India) ,  Kakkar Deeoti (Dr. B R Ambedkar National Institute of Technology, Assistant Professor Department of Electronics and Communication, Jalandhar, India)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： Confluence  ページ： 769-774  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 発作は一般的に予想外に起こり,それらの検出を非常に困難にする。脳波(EEG)は脳の電気的活動を捉えるのに役立ち,発作を検出し予測するための臨床医の助けとなる。EEGは非常に複雑であり,視覚検査による発作の予測は非常に挑戦的で,時間がかかり,訓練された専門家が検査のために必要とされるので,時には非常に高価である。これらの問題により,種々の専門家と自動化された発作検出システムが,発作の正確で迅速な検出のために開発された。予備的な発作検出と予測アルゴリズムは患者特異的であり,そこでは分類装置の訓練と試験を同じ人で行った。本研究は,発作と非発作信号を分類できる一般化自動発作検出システムの研究を提供する。CHB-MITデータベースからのEEGデータを,提案した検出システムの分析と検証のために考慮した。ウェーブレット分解ツリーを用いて信号を分解し,ウェーブレット係数を用いて異なる非線形特徴,すなわち近似およびサンプルエントロピー,エネルギー,標準偏差を計算した。これらの特徴は,サポートベクトルマシン(SVM),確率的ニューラルネットワーク(PNN),K最近傍(KNN)および線形判別分類器(LDC)のような異なる教師付き機械学習分類器によって分類される。分類器性能を感度,特異性,精度を用いて比較した。PNN分類器は,他の分類器と比較して合理的に良好な結果を提供した。研究した検出システムは,脳信号からの発作の迅速,安価で正確な診断に役立つ。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 標準偏差 ,  データベース ,  患者 ,  自動化 ,  *機械学習 ,  脳波 ,  *発作 ,  分類装置 ,  視覚検査 ,  線形性 ,  サポートベクトルマシン
準シソーラス用語： 低価格 ,  特異性 ,  臨床医 ,  検知システム , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 機械学習 ,  一般化 ,  発作 ,  検出システム ,  研究