뇌전증(Epilepsy)은 만성적인 신경 장애의 하나로, 다양한 원인을 통해 의식 장애나 경련 등과 같은 발작(Seizure)증상이 나타나는 신경계 질환이다. 이는 사지 경련 신체의 이상감각 등의 신경학적 증상으로 이어진다. 뇌전증의 유병률은 1000명당 4-10명 정도이며, 매년 10만 명당 20-70명이 새로이 발생하는 것으로 알려져 있고 특히, 소아기(0~9세)와 노년기(60세 이상)에서 많이 발생하는 것으로 집계되고 있다. ...
뇌전증(Epilepsy)은 만성적인 신경 장애의 하나로, 다양한 원인을 통해 의식 장애나 경련 등과 같은 발작(Seizure)증상이 나타나는 신경계 질환이다. 이는 사지 경련 신체의 이상감각 등의 신경학적 증상으로 이어진다. 뇌전증의 유병률은 1000명당 4-10명 정도이며, 매년 10만 명당 20-70명이 새로이 발생하는 것으로 알려져 있고 특히, 소아기(0~9세)와 노년기(60세 이상)에서 많이 발생하는 것으로 집계되고 있다. 뇌전증 발작의 원인을 알기 위해서는 다수의 검사가 있는데 이 중에서 뇌파검사는 두피에 전극을 부착하고 뇌의 미세한 전기활동을 증폭하여 기록하는 검사로 시간이나 상황마다 변하는 뇌 기능의 변화를 볼 수 있는 검사이다. 본 논문은 뇌전증 환자의 뇌파 신호(EEG)를 기반으로 발작을 예측하기 위해 Convolutional LSTM(Long Short-Term Memory)신경망 모델을 제안한다. Convolutional LSTM 모델은 Convolution Layer을 통한 특징 맵 추출과 시계열 데이터의 특징에 대해 장기적인 패턴을 볼 수 있는 LSTM 모델을 합친 형태로 연속적인 신호의 공간적인 특징과 시간적인 특징 값을 구별한다. 연구의 목적은 비발작 구간과 발작 전조 구간의 특징을 구별하고 예측의 정확성을 높이는 것이다. 제안된 모델은 발작전조 구간의 길이를 발작 전 10분, 15분, 30분 총 3가지의 전조 구간을 두고 발작 예측 성능을 평가하였다. 제안된 모델은 공공데이터인 CHB-MIT Database와 서울대학교병원 임상환자 데이터인 SNU Database가 사용되었다. 실험 결과에 따르면 CHB-MIT Database의 경우 뇌전증 발작 예측 성능은 정확도 92.15%, 민감도 85.92%, 특이도 93.42%, FPR 0.065의 성능을 보였고 SNU Database의 경우 정확도 72.64% 민감도 72.83%, 특이도 62.93%, FPR 0.37의 성능을 보였다.
뇌전증(Epilepsy)은 만성적인 신경 장애의 하나로, 다양한 원인을 통해 의식 장애나 경련 등과 같은 발작(Seizure)증상이 나타나는 신경계 질환이다. 이는 사지 경련 신체의 이상감각 등의 신경학적 증상으로 이어진다. 뇌전증의 유병률은 1000명당 4-10명 정도이며, 매년 10만 명당 20-70명이 새로이 발생하는 것으로 알려져 있고 특히, 소아기(0~9세)와 노년기(60세 이상)에서 많이 발생하는 것으로 집계되고 있다. 뇌전증 발작의 원인을 알기 위해서는 다수의 검사가 있는데 이 중에서 뇌파검사는 두피에 전극을 부착하고 뇌의 미세한 전기활동을 증폭하여 기록하는 검사로 시간이나 상황마다 변하는 뇌 기능의 변화를 볼 수 있는 검사이다. 본 논문은 뇌전증 환자의 뇌파 신호(EEG)를 기반으로 발작을 예측하기 위해 Convolutional LSTM(Long Short-Term Memory)신경망 모델을 제안한다. Convolutional LSTM 모델은 Convolution Layer을 통한 특징 맵 추출과 시계열 데이터의 특징에 대해 장기적인 패턴을 볼 수 있는 LSTM 모델을 합친 형태로 연속적인 신호의 공간적인 특징과 시간적인 특징 값을 구별한다. 연구의 목적은 비발작 구간과 발작 전조 구간의 특징을 구별하고 예측의 정확성을 높이는 것이다. 제안된 모델은 발작전조 구간의 길이를 발작 전 10분, 15분, 30분 총 3가지의 전조 구간을 두고 발작 예측 성능을 평가하였다. 제안된 모델은 공공데이터인 CHB-MIT Database와 서울대학교병원 임상환자 데이터인 SNU Database가 사용되었다. 실험 결과에 따르면 CHB-MIT Database의 경우 뇌전증 발작 예측 성능은 정확도 92.15%, 민감도 85.92%, 특이도 93.42%, FPR 0.065의 성능을 보였고 SNU Database의 경우 정확도 72.64% 민감도 72.83%, 특이도 62.93%, FPR 0.37의 성능을 보였다.
Epilepsy is one of chronic neurological disorders and is a neurological disorder in which seizures such as consciousness disorders and convulsions occur through various causes. This leads to neurological symptoms, such as limb convulsions and abnormalities in the body. The prevalence of epilepsy is ...
Epilepsy is one of chronic neurological disorders and is a neurological disorder in which seizures such as consciousness disorders and convulsions occur through various causes. This leads to neurological symptoms, such as limb convulsions and abnormalities in the body. The prevalence of epilepsy is about 4-10 per 1000 people, and 20-70 new cases per 100,000 people are known to occur. In particular, it is reported to occur a lot in childhood (0-9 years) and old age (60 years old or older). There are a number of possible causes of epilepsy seizures, but the causes may vary according to age and may be caused by head trauma, toxic substances, brain infections, tumors, strokes, and degenerative changes in the brain. There are many cases. To determine the causes of epilepsy attacks, electroencephalography (EEG), brain magnetic resonance imaging (MRI), and positron emission tomography (PET) are performed according to the symptoms. Among many tests, electroencephalogram is a test that attaches electrodes to the scalp and amplifies and records the microscopic electrical activity of the brain. EEG is a painless and simple test because it is performed by attaching only electrodes. It can be used for detecting and predicting epilepsy through a model of machine learning by receiving data on EEG signals in real time with smart healthcare service. Automated epilepsy seizures prediction and detection can ensure the safety of epilepsy patients through prompt response from guardians or medical staff. In this paper, we propose a Convolutional Long Short-Term Memory (LSTM) neural network model to predict seizures based on EEG signals in patients with epilepsy. Convolutional LSTM model combines feature map extraction through convolution layer and LSTM model which can see long-term pattern of time series data. It distinguishes spatial and temporal feature values of continuous signal. The purpose of this study is to distinguish between the characteristics of non-seizure and seizure precursor intervals and to improve the accuracy of prediction. The proposed model evaluated seizure prediction performance with three precursor intervals of 10 minutes, 15 minutes, and 30 minutes before seizure. The proposed model used public data CHB-MIT Database and Seoul National University Hospital clinical patient data SNU Database. According to the experimental results, the predictive performance of epilepsy seizures in the CHB-MIT Database showed accuracy of 92.15%, sensitivity of 85.92%, specificity of 93.42%, and FPR 0.065. In the case of the SNU database, the performance of accuracy 72.64% sensitivity 72.83%, specificity 62.93%, and FPR 0.37 was shown.
Epilepsy is one of chronic neurological disorders and is a neurological disorder in which seizures such as consciousness disorders and convulsions occur through various causes. This leads to neurological symptoms, such as limb convulsions and abnormalities in the body. The prevalence of epilepsy is about 4-10 per 1000 people, and 20-70 new cases per 100,000 people are known to occur. In particular, it is reported to occur a lot in childhood (0-9 years) and old age (60 years old or older). There are a number of possible causes of epilepsy seizures, but the causes may vary according to age and may be caused by head trauma, toxic substances, brain infections, tumors, strokes, and degenerative changes in the brain. There are many cases. To determine the causes of epilepsy attacks, electroencephalography (EEG), brain magnetic resonance imaging (MRI), and positron emission tomography (PET) are performed according to the symptoms. Among many tests, electroencephalogram is a test that attaches electrodes to the scalp and amplifies and records the microscopic electrical activity of the brain. EEG is a painless and simple test because it is performed by attaching only electrodes. It can be used for detecting and predicting epilepsy through a model of machine learning by receiving data on EEG signals in real time with smart healthcare service. Automated epilepsy seizures prediction and detection can ensure the safety of epilepsy patients through prompt response from guardians or medical staff. In this paper, we propose a Convolutional Long Short-Term Memory (LSTM) neural network model to predict seizures based on EEG signals in patients with epilepsy. Convolutional LSTM model combines feature map extraction through convolution layer and LSTM model which can see long-term pattern of time series data. It distinguishes spatial and temporal feature values of continuous signal. The purpose of this study is to distinguish between the characteristics of non-seizure and seizure precursor intervals and to improve the accuracy of prediction. The proposed model evaluated seizure prediction performance with three precursor intervals of 10 minutes, 15 minutes, and 30 minutes before seizure. The proposed model used public data CHB-MIT Database and Seoul National University Hospital clinical patient data SNU Database. According to the experimental results, the predictive performance of epilepsy seizures in the CHB-MIT Database showed accuracy of 92.15%, sensitivity of 85.92%, specificity of 93.42%, and FPR 0.065. In the case of the SNU database, the performance of accuracy 72.64% sensitivity 72.83%, specificity 62.93%, and FPR 0.37 was shown.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.