文献

J-GLOBAL ID：202002227574345973   整理番号：20A0291162

機械学習に基づく新生児発作診断への特徴選択法の組込み【JST・京大機械翻訳】

Incorporating feature selection methods into a machine learning-based neonatal seizure diagnosis

著者 (2件)： Acikoglu Merve (Firat University Faculty of Engineering, Software Engineering, 23119 Elazig, Turkey) ,  Tuncer Seda Arslan (Firat University Faculty of Engineering, Software Engineering, 23119 Elazig, Turkey)
資料名： Medical Hypotheses  (Medical Hypotheses)
巻： 135  ページ： Null  発行年： 2020年 
JST資料番号： A1177A  ISSN： 0306-9877  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本研究では,発作の有無にかかわらず,新生児から記録された脳波(EEG)信号を用いた特徴選択(FS)に基づく意思決定支援システムを開発した。本研究では,10の異なるFSアルゴリズムを用いて,より少ない特徴を用いて分類コストを低減し,無関係な特徴を除去することによりモデルの分類性能を改善した。そこで,各EEGチャネル差に対する各FSアルゴリズムの分類性能も評価した。本研究で用いたデータセットは,79の用語新生児から記録されたEEG測定と視覚EEGアノテーションを含んでいた。複数の特徴を,特徴抽出(FE)を用いて各チャネル差から抽出した。次に,FSアルゴリズムを用いた分類のために,新しい特徴部分集合を生成した。各選択された特徴の分類性能を複数の基準に基づいて評価した。FSアルゴリズムの組合せ使用によって抽出された特徴の使用は,すべての特徴の使用と比較してより高い性能を示した。本研究では,18のチャネル差を分析した。選択された14の特徴のうち3つまたは選択された特徴の2つを用いることにより,より良い性能が達成された。C4-P4チャネル差は,すべてのチャネル差の中で最も高い分類性能(98.8%)を示した。文献では,本研究で用いたデータセットの分類のために,FEが既に実施されている。本研究の第一の目的は,特徴の最小数と同じ分類を行うことであった。結果は,特徴減少がコストを減少させて,分類の性能を向上させることを示した。これらの結果は,非常に有望であり,したがって,臨床診療に使用でき,将来の研究に光を当てることができると思われる。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  意思決定支援システム ,  *新生児 ,  *機械学習 ,  脳波 ,  *発作 ,  特徴抽出 ,  チャネル ,  *特徴選択 ,  アノテーション ,  視覚 ,  部分集合
準シソーラス用語： *新生児発作 , 【Automatic Indexing@JST】

著者キーワード (4件)： 新生児発作 ,  機械学習 ,  特徴選択 ,  ランキング

分類 (3件)： 精神障害  (GR03000A) ,  先天性疾患・奇形一般  (GD03010V) ,  精神科の基礎医学  (GR01020I)

タイトルに関連する用語 (5件)： 機械学習 ,  新生児発作 ,  診断 ,  特徴選択 ,  組込み