会員登録をお勧めします。無料です。

WHITE CROSSは若手歯科医師の3人に1人が登録する、国内最大級の歯科向け情報サイトです。
歯科医師のみならず、医療関係者の皆様へ最新の臨床・経営、ニュース、イベント情報などを配信しています

無料の会員登録で、以下の機能がご利用いただけるようになります

お役立ちツール

コミュニティ

ドクタートークや記事へのコメント、統計への参加や結果参照など、ユーザー様参加型コンテンツへアクセスできます。

論文検索

論文検索

日本語AIで読むPubMed論文検索機能へ自由にアクセス可能です。

ライブセミナー

ライブセミナー

LIVEセミナーやVODによるWebセミナーへの視聴申し込みが可能です。
※別途視聴費用のかかるものがあります。

機械学習分類器を用いたてんかん発作検出のレビュー | 日本語AI翻訳でPubMed論文検索 | WHITE CROSS 歯科医師向け情報サイト

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。
Brain Inform.2020 May;7(1):5. 10.1186/s40708-020-00105-1. doi: 10.1186/s40708-020-00105-1.Epub 2020-05-25.

機械学習分類器を用いたてんかん発作検出のレビュー

A review of epileptic seizure detection using machine learning classifiers.

  • Mohammad Khubeb Siddiqui
  • Ruben Morales-Menendez
  • Xiaodi Huang
  • Nasir Hussain
PMID: 32451639 PMCID: PMC7248143. DOI: 10.1186/s40708-020-00105-1.

抄録

てんかんは重篤な慢性神経疾患であり、脳の神経細胞が作り出す脳の信号を分析することで検出することができます。ニューロンは複雑な形で互いに接続されており、人間の臓器と通信して信号を生成しています。これらの脳信号のモニタリングは、一般的に脳波(EEG)や心電図(ECoG)媒体を用いて行われている。これらの信号は複雑で、ノイズが多く、非線形で、非定常で、大量のデータを生成する。したがって、発作の検出と脳に関連する知識の発見は困難な作業である。機械学習分類器は、性能を損なうことなく、脳波データを分類し、発作を検出し、関連する賢明なパターンを明らかにすることができます。そのため、様々な研究者が機械学習分類器と統計的特徴量を用いた発作検出のための多くのアプローチを開発してきました。主な課題は、適切な分類器と特徴量を選択することである。本論文の目的は、統計的特徴量と機械学習分類器(ブラックボックスとノンブラックボックス)の分類法に基づいて、ここ数年の間に開発されたこれらの技術の多様性を概観することである。提示された最先端の手法とアイデアは、発作の検出と分類についての詳細な理解と、今後の研究の方向性を与えるものである。

Epilepsy is a serious chronic neurological disorder, can be detected by analyzing the brain signals produced by brain neurons. Neurons are connected to each other in a complex way to communicate with human organs and generate signals. The monitoring of these brain signals is commonly done using Electroencephalogram (EEG) and Electrocorticography (ECoG) media. These signals are complex, noisy, non-linear, non-stationary and produce a high volume of data. Hence, the detection of seizures and discovery of the brain-related knowledge is a challenging task. Machine learning classifiers are able to classify EEG data and detect seizures along with revealing relevant sensible patterns without compromising performance. As such, various researchers have developed number of approaches to seizure detection using machine learning classifiers and statistical features. The main challenges are selecting appropriate classifiers and features. The aim of this paper is to present an overview of the wide varieties of these techniques over the last few years based on the taxonomy of statistical features and machine learning classifiers-'black-box' and 'non-black-box'. The presented state-of-the-art methods and ideas will give a detailed understanding about seizure detection and classification, and research directions in the future.