文献

J-GLOBAL ID：202002232353770942   整理番号：20A0493754

注意ベースCNN-BirNNによるてんかん発作の自動検出【JST・京大機械翻訳】

Automatic Epileptic Seizure Detection via Attention-Based CNN-BiRNN

著者 (3件)： Huang Chengbin (National Trusted Embedded Software Engineering Technology Research Center, Shanghai Key Laboratory of Trustworthy Computing, East China Normal University,Shanghai,China) ,  Chen Weiting (National Trusted Embedded Software Engineering Technology Research Center, Shanghai Key Laboratory of Trustworthy Computing, East China Normal University,Shanghai,China) ,  Cao Guitao (National Trusted Embedded Software Engineering Technology Research Center, Shanghai Key Laboratory of Trustworthy Computing, East China Normal University,Shanghai,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： BIBM  ページ： 660-663  発行年： 2019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： 多チャンネル脳波(EEG)信号によるてんかん発作検出は一般的に使用される方法であるが,EEG信号を通して発作を手動で検出することは面倒で誤りがある。本研究では,自動発作検出のための注意ベースCNN-BiRNNと呼ばれるエンドツーエンド深ニューラルネットワークを提案した。注意に基づくCNN-BiRNNは,主に3つの部分から成る:マルチスケール畳込みモデル,注意モデル,およびマルチストリーム双方向再帰モデル。最初に,多重スケール特徴を抽出するために,オリジナル信号を多重スケール畳込みモデルに送った。次に,注意モデルは,発作検出のためのチャネル間の差異を利用した。その後,ロバストな時間的特徴をマルチストリーム双方向再帰モデルによって得て,さらに分類のために完全に接続された層に供給した。さらに,モデル訓練段階のためのチャネルドロップアウト法を提案し,特定のEEG信号のすべてのチャネルから目立たない特性を得た。CHB-MITのデータセットに関する結果は,著者らのアプローチが感度と特異性の両方に関して最先端の手法より優れていることを実証した。さらに,チャネルドロップアウト法により,本手法は,欠落チャネルと異なるチャネルを持つEEG信号処理の強力な能力を持つことを示した。Copyright 2020 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： ロバスト性 ,  畳込み ,  エンドツーエンド方式 ,  *発作 ,  チャネル ,  ニューラルネットワーク ,  脳波
準シソーラス用語： 特異性 ,  マルチストリーム ,  マルチスケール ,  脳波信号 ,  マルチチャネル ,  自動検出 ,  *てんかん性発作 , 【Automatic Indexing@JST】

分類 (2件)： 生体計測  (EL03020C) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 注意 ,  CNN ,  てんかん発作 ,  自動検出