文献

J-GLOBAL ID：201902215280867669   整理番号：19A0497324

CNN-LSTMアーキテクチャを用いた深層学習に基づく発作予測のための一般化可能モデル【JST・京大機械翻訳】

A GENERALIZABLE MODEL FOR SEIZURE PREDICTION BASED ON DEEP LEARNING USING CNN-LSTM ARCHITECTURE

著者 (2件)： Shahbazi Mohamad (Department of Electrical Engineering, Sharif University of Technology, Tehran, Iran) ,  Aghajan Hamid (Department of Electrical Engineering, Sharif University of Technology, Tehran, Iran)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： GlobalSIP  ページ： 469-473  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： 本研究では,多チャネルEEG信号を用いたてんかん発作の予測のための新しい深い学習ベースのモデルを提案した。多チャネル画像は,最初に,脳波(EEG)信号に短時間Fourier変換(STFT)を適用することによって構築される。前処理段階の後に,CNN-LSTMニューラルネットワークを,EEGセグメント間のスペクトル的,空間的および時間的特徴を捕捉するために,STFT上で訓練し,それらを初期または中間段階として分類した。提案した方法は,CHB-MITデータセットにおいて,98.21%の感度,0.13/hの偽予測率(FPR)および44.74分の平均予測時間を達成した。本研究の主な貢献として,CNN-LSTMを用いることにより,畳込みネットワークを用いて各セグメントの時間-周波数特徴を捕捉することに加えて,提案モデルは時系列セグメント間の時間的パターンと遷移を捉えることができ,以前の深い学習ベースモデルと比較して予測性能を改善することができた。この方法は複雑な特徴抽出またはチャネルと特徴選択を必要としない。Copyright 2019 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： 画像 ,  *学習 ,  特徴抽出 ,  *予測 ,  チャネル ,  脳波 ,  ネットワーク ,  ニューラルネットワーク ,  特徴選択 ,  *発作 ,  畳込み ,  スペクトル ,  *計算機アーキテクチャ
準シソーラス用語： マルチチャネル ,  *深層学習 , 【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 (8件)： CNN ,  LSTM ,  アーキテクチャ ,  深層学習 ,  発作 ,  予測 ,  一般化 ,  モデル