TAILIEUCHUNG - Sử dụng deep neural networks phát hiện gai động kinh trong bản ghi EEG

Bài viết trình bày phương pháp để phát hiện spike tự động, giải quyết bài toán cho các bác sỹ khi phân tích dữ liệu khổng lồ được thu thập từ bản ghi điện não để xác định một khu vực của não gây ra chứng động kinh. Hàng triệu mẫu được phân tích thủ công đã được đào tạo lại để tìm các gai liêp tiếp phát ra từ vùng não bị ảnh hưởng. | Nghiên cứu khoa học công nghệ SỬ DỤNG DEEP NEURAL NETWORKS PHÁT HIỆN GAI ĐỘNG KINH TRONG BẢN GHI EEG Lê Thanh Xuyến Nguyễn Đức Thuận Tóm tắt Deep Neural Networks là một thuật toán dạy cho máy học là phương pháp nâng cao của mạng nơ-ron nhân tạo Artificial Neural Networks nhiều tầng để học biểu diễn mô hình đối tượng. Bài báo trình bày phương pháp để phát hiện spike tự động giải quyết bài toán cho các bác sỹ khi phân tích dữ liệu khổng lồ được thu thập từ bản ghi điện não để xác định một khu vực của não gây ra chứng động kinh. Hàng triệu mẫu được phân tích thủ công đã được đào tạo lại để tìm các gai liêp tiếp phát ra từ vùng não bị ảnh hưởng. Để đánh giá phương pháp đề xuất tác giả đã xây dựng hệ thống trong đó sử dụng một số mô hình deep learning đưa vào thử nghiệm hỗ trợ các bác sỹ khám phát hiện và chẩn đoán sớm bệnh. Từ khóa Mô hình học sâu Mạng nơ ron Học máy Tín hiệu sinh học Xử lý tín hiệu y sinh Gai động kinh Tín hiệu điện não EEG . 1. ĐẶT VẤN ĐỀ Bệnh động kinh là bệnh thần kinh gây ra co giật ở nạn nhân có thể dẫn đến thương tích hoặc thậm chí tử vong trong một số trường hợp. Một bộ não hoạt động tốt là nhờ vào các tín hiệu điện mà các tế bào thần kính truyền cho nhau. Khi bệnh nhân mắc chứng động kinh các bộ phận của não có mức tín hiệu điện cao bất thường. Bệnh mãn tính này không có cách chữa trị và ảnh hưởng đến hàng triệu người trên toàn thế giới nhưng có thể được quản lý thông qua nhiều phương pháp khác nhau. Việc điều trị thành công phụ thuộc vào việc xác định chính xác nguồn gốc của các cơn co giật trong não. Một thách thức lớn đối với các bác sĩ là bài toán phân tích số lượng dữ liệu khổng lồ được thu thập từ các thiết bị điện não đồ EEG mang lại. Để xác định một khu vực của não gây ra chứng động kinh hàng triệu mẫu phải được phân tích thủ công bằng mắt để tìm các gai liên tiếp phát ra từ vùng bị ảnh hưởng não. Bài báo này trình bày phương pháp để phát hiện gai động kinh tự động giảm thiểu dương tính giả giúp loại bỏ quá trình thủ công hiện đang .

• Tự động hoá
• Mô hình học sâu
• Mạng nơ ron
• Tín hiệu sinh học
• Xử lý tín hiệu y sinh
• Gai động kinh
• Tín hiệu điện não
• Mô hình xác định giai đoạn sinh trưởng
• Cây dưa lưới trồng trong nhà màng
• Nông nghiệp thông minh
• Thị giác máy tính
• Hệ thống phát hiện phương tiện giao thông
• Nhận diện phương tiện giao thông
• Mô hình học sâu YOLO3
• Ngôn ngữ lập trình
• Mô hình mạng học sâu YOLO
• Khóa luận tốt nghiệp
• Mạng máy tính và truyền thông
• Ứng dụng phát hiện lửa
• Mô hình học sâu trên Jetson Nano
• Thuật toán học sâu
• Mô hình Deep Learning
• Thiết bị nhúng Jetson Nano
• Phân loại ảnh
• Mô hình CNN nhẹ
• Sâu bệnh trên lúa
• Chất lượng lúa thu hoạch
• Luận văn Thạc sĩ
• Luận văn Thạc sĩ Quản lý thông tin
• Quản lý thông tin
• Công nghệ thông tin
• Kĩ thuật lọc cộng tác
• Mô hình hệ thống khuyến nghị thương mại
• Bài giảng Học sâu và ứng dụng
• Học sâu và ứng dụng
• Mô hình sinh dữ liệu
• Mô hình tự mã hóa
• Variational Autoencoders
• Biểu diễn không gian ẩn
• Tạp chí Khoa học và Công nghệ Biển
• Mô phỏng kịch bản sóng thần cực đại
• Vùng nguồn máng biển sâu manila
• Mô hình comcot
• Mô phỏng quá trình ngập lụt
• Ứng dụng kỹ thuật xử lý ảnh
• Mô hình mạng học sâu
• Dạng hoa quả xuất khẩu
• Mạng noron tích chập sâu
• Phân loại cà chua xuất khẩu
• Kỷ yếu Hội thảo khoa học
• Hội thảo khoa học về Cơ khí động lực
• Tường vây hố đào sâu
• Phân tích ứng xử tường vây hố đào sâu
• Bài toán địa kỹ thuật
• Mô hình Mohr Coulomb
• Tái nhận dạng phương tiện giao thông
• Đặc trưng học sâu
• Kết hợp đặc trưng học sâu
• Bộ dữ liệu VeRi 776
• Mô hình học sâu Vcolor
• Xử lý ngôn ngữ tự nhiên
• Ứng dụng học sâu
• Mô hình huấn luyện sẵn
• Nhận dạng thực thể định danh
• Suy diễn logic
• Riêng tư dữ liệu
• Bảo mật dữ liệu
• Dữ liệu trong học sâu
• Phương pháp học sâu
• Biện pháp an toàn thông tin
• Rủi ro vi phạm riêng tư dữ liệu
• Trí tuệ nhân tạo
• Phân tích trực tiếp
• Kết cấu giàn
• Ước lượng khả năng chịu tải
• Giàn phi tuyến
• Xây dựng mô hình học sâu
• Luận án Tiến sĩ
• Luận án Tiến sĩ Kỹ thuật
• Hệ thống thông tin
• Mô hình phát hiện bất thường mạng
• Phương pháp học sâu NAD tiêu biểu
• Mô hình NAD
• Khoá luận tốt nghiệp Đại học
• Khóa luận tốt nghiệp ngành Lâm nghiệp
• Kỹ thuật Lâm sinh
• Mô hình vườn thực vật
• Tình hình sâu bệnh hại
• Viễn thám khoa học
• Nghiên cứu quặng đới sâu
• Dự báo tiềm năng khoáng sản
• Mô hình hóa cấu trúc ẩn sâu
• Nghiên cứu tài nguyên quặng mỏ
• Tài nguyên quặng mỏ
• Nhận dạng 26 bậc tự do của bàn tay
• Nhận dạng 26 bậc tự do
• Phương pháp mô hình với ảnh màu – độ sâu
• Phương pháp mô hình
• 26 bậc tự do
• Cấu trúc giải phẫu học
• Ma trận đồ họa
• Bảo quản lạnh sâu
• Ghép tự thân
• Đặc điểm dịch tễ
• Labo bảo quản mô Đai học Y Hà Nội
• Bảo quản lạnh sâu mảnh xương sọ
• Tình hình bảo quản và ghép lại mảnh xương sọ
• Sâu bệnh hại thuộc họ Long não
• Khóa luận tốt nghiệp ngành Thú y
• Sâu bệnh hại cây bản địa
• Phân loại hình ảnh
• Phân loại người đi bộ
• Mô hình phát hiện đối tượng YOLO
• Mô hình VGG
• Hội thảo khoa học về Thương mại
• Mạng nơ ron tích chập
• Công nghệ học sâu
• Phân loại rác thải
• Mô hình phân loại rác thải tự động
• Đặc trưng ngôn ngữ
• Mô hình học máy thống kê
• Mô hình BERT
• Bài toán xử lý ngôn ngữ tự nhiên
• Kỹ thuật học sâu
• Hiệu năng của Noma CRN
• Ứng dụng kỹ thuật học sâu
• Mô hình NOMA CRN
• Tạp chí Khoa học Công nghệ Thực phẩm