文献

J-GLOBAL ID：202002284825811074   整理番号：20A0497517

ハイブリッド特徴とリカレントニューラルネットワークに基づく麻酔深度のモニタリング【JST・京大機械翻訳】

Monitoring Depth of Anesthesia Based on Hybrid Features and Recurrent Neural Network

著者 (9件)： Li Ronglin (School of Information Science and Engineering, Shandong University, Qingdao, China) ,  Wu Qiang (School of Information Science and Engineering, Shandong University, Qingdao, China) ,  Wu Qiang (Institute of Brain and Brain-Inspired Science, Shandong University, Jinan, China) ,  Liu Ju (School of Information Science and Engineering, Shandong University, Qingdao, China) ,  Liu Ju (Institute of Brain and Brain-Inspired Science, Shandong University, Jinan, China) ,  Wu Qi (Department of Anesthesiology, Qilu Hospital of Shandong University, Jinan, China) ,  Li Chao (Tensor Learning Unit, RIKEN AIP, Tokyo, Japan) ,  Zhao Qibin (Tensor Learning Unit, RIKEN AIP, Tokyo, Japan) ,  Zhao Qibin (School of Automation, Guangdong University of Technology, Guangzhou, China)
資料名： Frontiers in Neuroscience (Web)  (Frontiers in Neuroscience (Web))
巻： 14  ページ： 26  発行年： 2020年 
JST資料番号： U7087A  ISSN： 1662-453X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 脳波(EEG)信号は脳の異なる生理学的状態に関する価値ある情報を含み,脳活動を調べるために用いることができる様々な線形および非線形特徴を有する。EEGによる麻酔深度(DoA)のモニタリングは麻酔研究における進行中の課題である。本論文では,DoAを監視するために,EEGのハイブリッド特徴を結合するために,Long Short-Term Memory(LSTM)とスパース雑音除去自動符号器(SDAE)に基づく新しい方法を提案した。EEG信号はフィルタリングなどを用いて前処理され,サンプルエントロピー,置換エントロピー,スペクトル,およびα比を含む10以上の特徴がEEG信号から抽出された。次に,置換エントロピーとα比のような任意の特徴を統合し,本質的な構造を抽出し,DoAを監視するための最も効率的な時間モデルを学習した。単一特徴を用いることと比較して,提案したモデルは,より高い予測確率(P_k)で麻酔深度を正確に推定することができた。データセット上で評価した実験結果は,提案した方法が置換エントロピー,α比,LSTM,および他の従来の指標を用いた方法よりも優れた性能を提供することを示した。Copyright 2020 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 脳波 ,  スペクトル ,  線形性 ,  エントロピー ,  *麻酔 ,  前処理 ,  フィルタリング ,  符号器 ,  雑音除去 ,  特徴抽出
準シソーラス用語： 脳波信号 ,  脳活動 ,  *bispectral index ,  *リカレントニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 自動エンコーダ ,  LSTM ,  脳波 ,  麻酔 ,  特徴抽出

分類 (1件)： 生体計測  (EL03020C)

引用文献 (53件)：

• Alvarez-Ramirez J., Echeverria J. C., Rodriguez E. (2008). Performance of a high-dimensional r/s method for hurst exponent estimation. Phys. A Statis. Mechan. Appl. 387, 6452-6462. doi: 10.1016/j.physa.2008.08.014
• Baldi P. (2012). "Autoencoders, unsupervised learning, and deep architectures," in Proceedings of ICML Workshop on Unsupervised and Transfer Learning (Edinburgh), 37-49. doi: 10.1016/j.physa.2008.08.014
• Benzy V., Jasmin E. (2015). A combined wavelet and neural network based model for classifying depth of anaesthesia. Proc. Comput. Sci. 46, 1610-1617. doi: 10.1016/j.procs.2015.02.093
• Bruhn J., Myles P., Sneyd R., Struys M. (2006). Depth of anaesthesia monitoring: what's available, what's validated and what's next? Br. J. Anaesth. 97, 85-94. doi: 10.1093/bja/ael120
• Bruhn J., Röpcke H., Hoeft A. (2000). Approximate entropy as an electroencephalographic measure of anesthetic drug effect during desflurane anesthesia. Anesthesiol. J. Am. Soc. Anesthesiol. 92, 715-726. doi: 10.1097/00000542-200003000-00016

タイトルに関連する用語 (3件)： リカレントニューラルネットワーク ,  麻酔深度 ,  モニタリング