آشکارسازی حملات صرعی سخت افزار-دوست با درختان تصمیم کم عمق
چکیده
یادگیری داخل تراشه‌ای کارآمد، به یکی از عناصر ضروری ابزار پزشکی کاشتنی تبدیل شده است. باوجود مقالات بسیاری که در حوزه‌ی الگوریتم‌های تشخیص خودکار حمله صرعی وجود دارد، درمورد پیاده‌سازی سخت‌افزار-دوست چنین روش‌هایی، به اندازه کافی بحث نشده است. در این مقاله، ما به کارگیری مجموعه‌های درخت تصمیم را پیشنهاد می کنیم تا به مصالحه میان دقت تشخیص و هزینه های پیاده سازی دست یابیم. مدل استخراج ویژگی پیشنهاد شده، نشان می دهد که این طبقه‌بندی‌کننده‌ها با تعداد کمی از درخت‌های سطحی (d <4) ، به سرعت با مدل‌های یادگیری پیچیده‌ترکه قبلا برای پیاده سازی سخت افزاری ارائه شده اند، رقابت می کنند. نتایج به دست آمده بر روی بیش از 3460 ساعت دیتا الکتروانسفالوگرافی داخل جمجمه‌ای، شامل 430 حمله از 27 بیمار مبتلا به صرع، تایید شده است.
مقدمه
با توجه به جمعیت زیاد بیماران مبتلا به صرع مقاوم به درمان، تشخیص خودکار شروع حمله در طی 20 سال گذشته، تبدیل به موضوعی مطلوب در میان محققان شده است. علاوه‌براین، به جهت هشدار دادن به بیمار، مراقب یا یک دستگاه درمانی، تشخیص خودکار باعث می‌شود که بازبینی و برچسب‌گذاری قسمت‌های شامل حمله در سیگنالEEG بیمار، که کاری زمان‌بر است و معمولا توسط متخصص انجام می‌شود، تسهیل گردد. هدف نهایی از پژوهش‌ها، پیاده‌سازی دستگاهی است که حمله صرعی را تشخیص داده و با استفاده از یک روش حلقه بسته، آن را مهار کند. امروزه، تحریک عصبی واکنشی ، که توسط NeuroPace ارائه شده است، روشی تشخیصی و درمانی مورد تایید سازمان غذا و داروی آمریکا است. با این حال، دستگاه تحریک عصبی واکنشی، دستگاهی بزرگ و با تعداد کانال‌های محدود است که تنها از طریق آستانه‌گذاری ساده و با دقت طبقه بندی ضعیف این کار را انجام می‌دهد.
Abstract
Efficient on-chip learning is becoming an essential element of implantable biomedical devices. Despite a substantial literature on automated seizure detection algorithms, hardwarefriendly implementation of such techniques is not sufficiently addressed. In this paper, we propose to employ a gradientboosted ensemble of decision trees to achieve a reasonable trade-off between detection accuracy and implementation cost. Combined with the proposed feature extraction model, we show that these classifiers quickly become competitive with more complex learning models previously proposed for hardware implementation, with only a small number of low-depth (d < 4) “shallow” trees. The results are verified on more than 3460 hours of intracranial EEG data including 430 seizures from 27 patients with epilepsy.
I. INTRODUCTION
Given the large population of patients with intractable epilepsy, the automatic detection of seizure onset has sparked great interest among researchers over the past 20 years. In addition to providing a vital seizure alert to the patient, caregiver or a therapeutic device, it significantly eases the task of reviewing and labeling seizure segments in a patient’s EEG, a time-intensive task routinely done by neurologists. Implanting a device that performs both detection and closedloop suppression is the ultimate goal. Today, the Responsive Neurostimulator (RNS) by NeuroPace provides an FDAapproved therapy option to reduce the seizure frequency. However, RNS is bulky, limited in number of channels, and only relies on simple hard thresholding with moderate seizure classification accuracy.
چکیده
1) مقدمه
2) توصیف داده‌ها و روش
الف) داده‌های EEG داخل جمجمه‌ای
ب) انتخاب ویژگی
پ) درخت تصمیم‌گیری گرادیان افزایشی
3) طراحي و ارزيابي عملكرد طبقه‌بندي‌کننده
4) طبقه‌بندی سخت افزار-دوست
الف) توپولوژی درخت تصمیم سیگنال مختلط
ب) اختصاص دادن کانال بهینه در یادگیری داده‌ها
5) نتیجه گیری
Abstract
I. INTRODUCTION
II. DATA DESCRIPTION AND METHODOLOGY
A. Intracranial EEG Data
B. Feature Selection
C. Gradient-Boosted Decision Trees
III. CLASSIFIER DESIGN AND PERFORMANCE EVALUATION
IV. HARDWARE-FRIENDLY CLASSIFICATION
A. Mixed-Signal Decision Tree Topology
B. Optimal Channel Allocation upon Learning from Data
V. CONCLUSION
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه