Nocturnal Epileptic Seizures Detection Using Inertial and Muscular Sensors
Notice bibliographique
Résumé
This paper presents a lightweight approach for the early detection of nocturnal epileptic seizures through analysis of inertial data and muscle contractions. Our approach uses an overlapping sliding window to derive the variance of data acquired by the MPU 9,250 motion tracking device and single channel surface ElectroMyoGram (sEMG). The Exponentially Weighted Moving Average (EWMA) is used to forecast the current value of the data variance. When the Kullback-Leibler divergence between the forecasted and measured variances deviates from past values, a signal is transmitted to the base station to set the current counter in an alarm window. If the filling ratio of the alarm window is greater than a predefined threshold, an alarm is triggered by the base station. The proposed approach is intended to improve the performance of existing detection systems based on data analysis from Accelerometer. The MPU 9,250 is 9-axis motion tracking and used to detect motor seizures, and it contains a 3-axis Accelerometer, Gyroscope, and Magnetometer. The sEMG is used to detect silent seizures without jerky movements. Our experimental results on a real dataset from an epileptic patient show that our proposed approach is able to increase detection accuracy and reduce the low false alarm rate. Comparison with a Probability Density Function (PDF) further demonstrates the detection efficiency of our approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».