A framework for support vector mach

A framework for support vector machine classification of time series events is proposed and applied to analyze physiological signals recorded from epileptic patients. In contrast to previous works, this research formulates seizure analysis as a novelty detection problem which allows seizure detection and prediction to be treated uniformly, in a way that is capable of accommodating multichannel and/or multimodal measurements. Theoretical properties of the support vector machine algorithm employed provide a straightforward means for controlling the false alarm rate of the detector. The resulting novelty detection system was evaluated both offline and online on a corpus of 1077 hours of intracranial electroencephalogram (IEEG) recordings from 12 patients diagnosed with medically resistant temporal lobe epilepsy during evaluation for epilepsy surgery. These patients collectively had 118 seizures during the recording period. The performance of the novelty detection framework was assessed with an emphasis on four key metrics: (1) sensitivity (probability of correct detection), (2) mean detection latency, (3) early-detection fraction (prediction or detection of seizure prior to electrographic onset), and (4) false positive rate. Both the offline and online novelty detectors achieved state-of-the-art seizure detection performance. In particular, the online detector achieved 97.85% sensitivity, -13.3 second latency, and 40% early-detection fraction at an average of 1.74 false positive predictions per hour (Fph). These results demonstrate that a novelty detection approach is not only feasible for seizure analysis, but it improves upon the state-of-the-art as an effective, robust technique. Additionally, an extension of the basic novelty detection framework demonstrated its use as a simple, effective tool for examining the spread of seizure onsets. This may be useful for automatically identifying seizure focus channels in patients with focal epilepsies. It is anticipated that this research will aid in localizing seizure onsets, and provide more efficient algorithms for use in a real device.

ผลลัพธ์ (ไทย) 1:

กรอบการสนับสนุนจัดเครื่องเวกเตอร์ของชุดข้อมูลเวลาการนำเสนอ และใช้เพื่อวิเคราะห์สัญญาณที่บันทึกจากผู้ป่วย epileptic สรีรวิทยา ตรงข้าม การทำงานก่อนหน้านี้วิจัย formulates วิเคราะห์ตัดสินเป็นปัญหาตรวจนวัตกรรมซึ่งช่วยให้ตรวจหาการบุกยึดและทำนายได้รับสม่ำเสมอเมื่อเทียบเคียง ในลักษณะที่มีความสามารถในการรองรับการประเมินแบบ และ/หรือทุก ทฤษฎีคุณสมบัติของเครื่องอัลกอริธึมเวกเตอร์สนับสนุนลูกจ้างให้วิธีตรงไปตรงมาสำหรับการควบคุมเครื่องตรวจจับอัตราเตือน ระบบตรวจสอบนวัตกรรมได้ถูกประเมินทั้งแบบออฟไลน์ และออนไลน์ในคอร์พัสคริชั่วโมง 1077 intracranial electroencephalogram (IEEG) บันทึกจากผู้ป่วย 12 วินิจฉัยกับโรคลมชักทางทนสมองกลีบขมับระหว่างการประเมินผลการผ่าตัดโรคลมชัก ผู้ป่วยเหล่านี้มีเส้น 118 ช่วงบันทึกโดยรวม ประสิทธิภาพของนวัตกรรมตรวจกรอบถูกประเมิน โดยเน้นการวัดหลักสี่: (1) ความไว (ความน่าเป็นของการตรวจสอบที่ถูกต้อง), (2) หมายถึง ตรวจสอบแฝง, (3) -ตรวจหาเศษ (คาดการณ์หรือตรวจเป็นลมก่อนที่จะเริ่มมีอาการ electrographic), และอัตราบวกเท็จ (4) จับทั้งออฟไลน์ และออนไลน์นวัตกรรมได้เป็นลมทันสมัยตรวจสอบประสิทธิภาพ โดยเฉพาะอย่างยิ่ง จับออนไลน์สำเร็จไว 97.85%, - 13.3 แฝงที่สอง และเศษเนิ่น ๆ -40% ที่มีค่าเฉลี่ยของการคาดคะเนบวกเท็จ 1.74 ต่อชั่วโมง (Fph) ผลเหล่านี้แสดงให้เห็นว่า วิธีการตรวจหานวัตกรรมไม่เพียงสำหรับการวิเคราะห์ตัดสิน แต่เป็นการปรับปรุงตามรัฐของเด่นเป็นเทคนิคมีประสิทธิภาพ แข็งแกร่ง นอกจากนี้ การขยายกรอบการตรวจพื้นฐานนวัตกรรมสาธิตการใช้เป็นเครื่องมือที่มีประสิทธิภาพ ง่ายในการตรวจสอบการแพร่กระจายของ onsets เป็นลม นี้อาจเป็นประโยชน์สำหรับการระบุช่องเน้นผู้ป่วยเป็นลมกับ epilepsies โฟกัสโดยอัตโนมัติ มันถูกคาดว่า งานวิจัยนี้จะช่วยทั้งเป็นลม onsets และมีอัลกอริทึมที่มีประสิทธิภาพมากขึ้นสำหรับการใช้อุปกรณ์จริง

ผลลัพธ์ (ไทย) 2:

กรอบการทำงานสำหรับการจัดหมวดหมู่การสนับสนุนเครื่องเวกเตอร์ของเหตุการณ์อนุกรมเวลามีการเสนอและนำไปใช้ในการวิเคราะห์สัญญาณทางสรีรวิทยาบันทึกจากผู้ป่วยโรคลมชัก ในทางตรงกันข้ามกับผลงานก่อนหน้านี้งานวิจัยนี้หลักเกณฑ์การวิเคราะห์การจับกุมเป็นปัญหาการตรวจสอบความแปลกใหม่ซึ่งจะช่วยให้การตรวจสอบการจับกุมและการทำนายที่จะได้รับการปฏิบัติอย่างสม่ำเสมอในลักษณะที่เป็นความสามารถในการรองรับหลายช่องและ / หรือการวัดต่อเนื่อง คุณสมบัติทางทฤษฎีของอัลกอริทึมการสนับสนุนเครื่องเวกเตอร์ที่ใช้ให้ความหมายตรงไปตรงมาในการควบคุมอัตราการเตือนที่ผิดพลาดของเครื่องตรวจจับ ระบบตรวจจับความแปลกใหม่ที่เกิดขึ้นได้รับการประเมินทั้งออฟไลน์และออนไลน์ในคลังของ 1,077 ชั่วโมงของการอิเล็คโทรสมอง (IEEG) บันทึกจาก 12 ผู้ป่วยได้รับการวินิจฉัยกับโรคลมชักกลีบขมับทนทางการแพทย์ในระหว่างการประเมินสำหรับการผ่าตัดโรคลมชัก ผู้ป่วยเหล่านี้มีรวม 118 ชักในช่วงระยะเวลาการบันทึก ประสิทธิภาพการทำงานของกรอบการตรวจสอบความแปลกใหม่ได้รับการประเมินโดยเน้นสี่ชี้วัดที่สำคัญคือ (1) ความไว (น่าจะเป็นของการตรวจสอบที่ถูกต้อง), (2) หมายถึงความล่าช้าการตรวจสอบ (3) ส่วนต้นการตรวจสอบ (การทำนายหรือการตรวจสอบก่อนที่จะมีการจับกุม electrographic โจมตี) และ (4) อัตราการบวกปลอม ทั้งออฟไลน์และออนไลน์ตรวจจับความแปลกใหม่ที่ประสบความสำเร็จการตรวจสอบประสิทธิภาพการทำงานที่ยึดรัฐของศิลปะ โดยเฉพาะอย่างยิ่งเครื่องตรวจจับออนไลน์ประสบความสำเร็จความไว 97.85% -13.3 แฝงที่สองและ 40% ส่วนในช่วงต้นของการตรวจสอบที่เฉลี่ย 1.74 การคาดการณ์ในเชิงบวกเท็จต่อชั่วโมง (Fph) ผลการศึกษานี้แสดงให้เห็นว่าวิธีการตรวจสอบความแปลกใหม่ไม่ได้เป็นเพียงที่เป็นไปได้สำหรับการวิเคราะห์การจับกุม แต่ก็ปรับปรุงเมื่อรัฐของศิลปะที่มีประสิทธิภาพเป็นเทคนิคที่แข็งแกร่ง นอกจากนี้การขยายตัวของกรอบการตรวจสอบแสดงให้เห็นถึงความแปลกใหม่พื้นฐานการใช้งานเป็นที่เรียบง่ายเครื่องมือที่มีประสิทธิภาพสำหรับการตรวจสอบการแพร่กระจายของ onsets ยึด นี้อาจจะเป็นประโยชน์สำหรับการระบุช่องอัตโนมัติโฟกัสยึดในผู้ป่วยที่มี epilepsies โฟกัส มันเป็นที่คาดว่าการวิจัยนี้จะช่วยในการ localizing onsets ยึดและให้กลไกที่มีประสิทธิภาพมากขึ้นสำหรับการใช้งานในอุปกรณ์จริง

ผลลัพธ์ (ไทย) 3:

เพื่อสนับสนุนเครื่องเวกเตอร์ประเภทของเหตุการณ์ อนุกรมเวลา คือการเสนอและนำมาใช้เพื่อวิเคราะห์สัญญาณทางสรีรวิทยาที่บันทึกไว้จากผู้ป่วยโรคลมชัก . ในทางตรงกันข้ามกับผลงานก่อนหน้านี้ งานวิจัยนี้เป็นนวัตกรรมการตรวจหาการ PayPal วิเคราะห์ปัญหาซึ่งช่วยให้ตรวจจับการพยากรณ์ที่จะต้องปฏิบัติเหมือนกันในทางที่สามารถรองรับหลายช่องและ / หรือการวัดหลาย . คุณสมบัติเชิงทฤษฎีของขั้นตอนวิธีที่ใช้สนับสนุนเวกเตอร์เครื่องจักรให้ตรงไปตรงมา หมายถึง การควบคุมอัตราปลุกเท็จของเครื่องตรวจจับผลการประเมินนวัตกรรมระบบตรวจจับได้ทั้งออฟไลน์และออนไลน์ในคลังข้อมูลของที่ชั่วโมงของทางคลื่น ( ieeg ) บันทึกจาก 12 ผู้ป่วยที่วินิจฉัยทางการแพทย์ป้องกันโรคลมชักในช่วงขมับด้านการผ่าตัดโรคลมชัก ผู้ป่วยเหล่านี้เรียกได้ 118 ชักในช่วงระยะเวลาในการบันทึกประสิทธิภาพของนวัตกรรมการตรวจหากรอบประเมินโดยเน้นสี่คีย์เมตริก ( 1 ) ความไวแสง ( ความน่าจะเป็นที่ตรวจ ) ( 2 ) ( 3 ) ศักยภาพการตรวจสอบ ส่วนการตรวจหา ( การทำนายหรือการยึดก่อน electrographic onset ) และ ( 4 ) อัตราบวกเท็จทั้งแบบออฟไลน์และออนไลน์บรรลุประสิทธิภาพการยึดเครื่องใหม่ล่าสุด โดยเฉพาะเครื่องตรวจจับออนไลน์ 97.85 % ความไว , - 13.3 คะแนนที่สอง และ 40 % การตรวจหาส่วนที่เฉลี่ย 1.74 เท็จบวกการคาดการณ์ต่อชั่วโมง ( โปรตีน ) ผลลัพธ์เหล่านี้แสดงให้เห็นว่า เป็นนวัตกรรมการตรวจหาแนวทางไม่ได้เป็นเพียงความเป็นไปได้การวิเคราะห์ชักปรับปรุงเมื่อรัฐ - of - the - art แต่มันเป็นเทคนิคที่มีประสิทธิภาพ . นอกจากนี้ ส่วนขยายของพื้นฐานนวัตกรรมการตกรอบ ) ซึ่งใช้เป็นง่ายเครื่องมือที่มีประสิทธิภาพสำหรับการตรวจสอบการกระจายของผู้ป่วย . สิ่งนี้อาจจะมีประโยชน์สำหรับการโฟกัสอัตโนมัติระบุช่องทางในผู้ป่วยที่มีความยาวโฟกัส epilepsies .เป็นที่คาดหมายกันว่างานวิจัยนี้จะช่วยเหลือใน localizing ชักเริ่ม และมีขั้นตอนวิธีที่มีประสิทธิภาพมากขึ้นสำหรับใช้ในอุปกรณ์จริง