文献

J-GLOBAL ID：202102220947509933   整理番号：21A0578585

リアルタイム筋電図信号を用いたAIベースの脳卒中疾患予測システム【JST・京大機械翻訳】

AI-Based Stroke Disease Prediction System Using Real-Time Electromyography Signals

著者 (6件)： Yu Jaehak (Department of KSB Convergence Research, Electronics and Telecommunications Research Institute (ETRI), Daejeon 34129, Korea) ,  Park Sejin (Department of KSB Convergence Research, Electronics and Telecommunications Research Institute (ETRI), Daejeon 34129, Korea) ,  Kwon Soon-Hyun (Department of KSB Convergence Research, Electronics and Telecommunications Research Institute (ETRI), Daejeon 34129, Korea) ,  Ho Chee Meng Benjamin (Department of KSB Convergence Research, Electronics and Telecommunications Research Institute (ETRI), Daejeon 34129, Korea) ,  Pyo Cheol-Sig (Department of KSB Convergence Research, Electronics and Telecommunications Research Institute (ETRI), Daejeon 34129, Korea) ,  Lee Hansung (School of Computer Engineering, Youngsan University, 288 Junam-Ro, Yangsan, Gyeongnam 50510, Korea)
資料名： Applied Sciences (Web)  (Applied Sciences (Web))
巻： 10  号： 19  ページ： 6791  発行年： 2020年 
JST資料番号： U7135A  ISSN： 2076-3417  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： 脳卒中は成人と高齢者における障害の主要な原因であり,多くの社会的または経済的困難をもたらす。未治療であれば,脳卒中は死亡につながる。ほとんどの場合,脳卒中患者は異常な生体信号(すなわちECG)を有することが観察された。したがって,個人がモニターされ,リアルタイムで正確に評価されて,正確に評価されたそれらの生体信号を持つならば,それらは適切に適切な治療を受けることができる。しかし,脳卒中に対するほとんどの診断および予測システムは,CTまたはMRIのような画像分析ツールであり,それは,リアルタイム診断のために高価で難しい。本論文では,人工知能(AI)を有するリアルタイムバイオ信号を用いてストロークを検出するストローク予測システムを開発した。機械学習(Random Forest)と深層学習(Long Short-Term記憶)アルゴリズムをこのシステムで使用した。EMG(筋電図)バイオシグナルを大腿と子牛からリアルタイムに収集し,その後,重要な特徴を抽出し,予測モデルを日常活動に基づいて開発した。提案システムでは,ランダムフォレストの90.38%とLSTMの98.958%の予測精度が得られた。このシステムは,正確な脳卒中予測を得ることができる代替,低コスト,リアルタイム診断システムと考えられ,心臓病のような他の疾患に使用できる可能性がある。Copyright 2021 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： アルゴリズム ,  人工知能 ,  心臓病 ,  生体信号 ,  *筋電図 ,  *脳卒中 ,  機械学習 ,  予測モデル
準シソーラス用語： 解析ツール ,  予測精度 ,  診断システム ,  予測システム ,  ランダムフォレスト ,  脳卒中患者 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (8件)： 筋電図(EMG) ,  脳卒中予測 ,  脳卒中疾患解析 ,  人工知能 ,  機械学習 ,  ランダムフォレスト ,  深層学習 ,  長期短期記憶(LSTM)

分類 (3件)： 神経系の疾患  (GN03000O) ,  神経系の診断  (GN02000H) ,  看護,看護サービス  (GB07000G)

引用文献 (54件)：

• Mohammadi, M.; Al-Fuqaha, A.; Sorour, S.; Guizani, M. Deep learning for IoT Big data and streaming analytics: A survey. IEEE Commun. Surv. Tutor. 2018, 20, 2923-2960.
• Ajayi, O.O.; Bagula, A.B.; Ma, K. Fourth industrial revolution for development: The relevance of Cloud federation in healthcare support. IEEE Access 2019, 7, 185322-185337.
• Morrar, R.; Arman, H.; Mousa, S. The fourth industrial revolution (Industry 4.0): A social innovation perspective. Technol. Innov. Manag. Rev. 2017, 7, 12-20.
• Garcia, A.R. AI, IoT, Big data, and technologies in digital economy with blockchain at sustainable work satisfaction to smart mankind: Access to 6th dimension of human rights. In Smart Governance for Cities: Perspectives and Experiences, 2nd ed.; Lopes, N.V.M., Ed.; Springer: Gewerbestrasse, Switzerland, 2020; pp. 83-131.
• Johnson, C.O.; Nguyen, M.; Roth, G.A.; Nichols, E.; Alam, T. Global, regional, and national burden of stroke, 1990-2016: A systematic analysis for the Global Burden of Disease Study 2016. Lancet Neurol. 2019, 18, 439-458.

タイトルに関連する用語 (6件)： リアルタイム ,  筋電図 ,  AI ,  脳卒中 ,  疾患 ,  予測システム