文献

J-GLOBAL ID：202002241518009630   整理番号：20A1714490

虚血性脳卒中患者と可視化に関するEEGとBFVの復号化のための深層学習の適用【JST・京大機械翻訳】

Applying Deep Learning for Decoding of EEG and BFV about Ischemic Stroke Patients and Visualization

著者 (2件)： Zhang Chen (Beijing Jiaotong University, Beijing, China) ,  Wu Dan (Beijing Jiaotong University, Beijing, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： ICMLC 2020  ページ： 89-95  発行年： 2020年 
JST資料番号： D0698C  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： 集中治療室(ICU)環境において,脳波(EEG)と脳動脈血流速度(BFV)は,虚血発作を検出するのを助けることができた。著者らの実験では,3つのニューラルネットワークモデル---LSTM,CNNおよびCNN-LSTMを設計し,患者の状況を評価することができた。CNN-LSTMは,精度99.68%でMRSの予測において最良の性能を示した。EEGの調査では,ベータとガンマバンドのエンベロープがニューラルネットワークの単位出力とより高い相関を示すことを見出した(p<0.01,分散分析)。BFVでは,BFVの相関は虚血性脳卒中の責任動脈と強く関連しており,正しい率は75%であった。結論として,CNN-LSTMは虚血性脳卒中患者の状態を予測することができ,BFVのEEGおよびPSD特徴のエンベロープは,分類のためのネットワークモデルによって学習される重要な特徴である。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 脳波 ,  分散分析 ,  ニューラルネットワーク ,  動脈 ,  *可視化 ,  *復号化 ,  *虚血 ,  大脳動脈 ,  エンベロープ ,  ICU【医療】 ,  発作
準シソーラス用語： 神経回路網モデル ,  ネットワークモデル ,  *虚血性脳卒中 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： CNN-LSTM ,  EEG;BFV ,  虚血性脳卒中 ,  可視化

分類 (2件)： 循環系の疾患  (GJ03000C) ,  循環系疾患の薬物療法  (GJ05020M)

タイトルに関連する用語 (6件)： 虚血性脳卒中 ,  患者 ,  可視化 ,  EEG ,  復号化 ,  深層学習