Hệ thống dự đoán động kinh dựa trên tensor với điện não đồ đa chiều không hoàn chỉnh
Tóm tắt: 67
| 
PDF: 27 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
Điện não đồ
dữ liệu bị mất
dự đoán động kinh
tensor hoàn chỉnh
phân tích chuỗi thời gian
Tóm tắt
Mục tiêu của bài báo là đề xuất công nghệ mới có khả năng phân tích các tín hiệu đa chiều của điện não đồ (EEG) để dự báo hoạt động co giật động kinh khi có sự hiện diện các giá trị bị thiếu khi mà hầu hết các kỹ thuật thông thường trước đây thường bị hạn chế với cấu trúc 2D và các kênh hoàn chỉnh. Do đó, phương pháp đề xuất dự báo xu hướng bệnh động kinh trong tương lai đồng thời tự động xử lý dữ liệu bị thiếu trong cùng một khung. Điểm mới lạ chính của phương pháp đề xuất gồm (1) khai thác cả trạng thái tiềm ẩn và động lực chuỗi thời gian để phát hiện xu hướng mẫu trong quá trình phục hồi dữ liệu bị mất cũng như dự đoán, (2) bảo toàn bản chất cấu trúc tensor của tín hiệu não EEG đa chiều. Phương pháp được đề xuất phát huy tính mạnh mẽ của nó thông qua việc so sánh với các kỹ thuật khác trên tập dữ liệu thực tế với các kịch bản dữ liệu bị mất khác nhau.
Tài liệu tham khảo
-
[1] H. Cheng, J. W. Wang, and C. H. Li, “Forecasting the number of outpatient visits using a new fuzzy time series based on weighted-transitional matrix”, Expert system with applications, vol. 4, no. 4, pp. 2568 -2575, 2008.
[2] Rojas et al., “Soft-computing techniques and ARMA model for time series prediction”, Neurocomputing, vol. 71, issue 4-6, pp. 519-537, 2008.
[3] J. Blinowska, and M. Malinowski, “Non-linear and linear forecasting of the EEG time series”, Biological Cybernetics, vol. 66, pp. 159–165, 1991.
[4] J. L. D. Hoon, T. H. J. J. Van der Hagen, H. Schoonewelle, and H. van Dam, “Why Yule-Walker should not be used for autoregressive modelling”, Annals of Nuclear Energy, vol. 23, no. 15, pp. 1219–1228, 1996.
[5] M. Chen, and J. R. Hwang, “Temperature prediction using fuzzy time series”, IEEE Transactions on Systems, Man, and Cybernetics B, vol. 30, no. 2, pp. 263–275, 2000.
[6] Brinkmann et al., “WE-120. Seizure forecasting and detection with wearable devices and subcutaneous EEG - A practical seizure gauge”, clinical neurophysiology, vol. 141, pp. S62-S63, 2022.
[7] Mushtaq, U. Akram, M. Aamir, H. Ali, and M. Zulqarnain, “Neural Network Techniques for Time Series Prediction: A Review”, Int. J. Inform. Vis., vol. 3, pp. 314–320, 2019.
[8] C. Zhang, Y. Wang, J. J. Peng, and J. T. Duan, “An improved self-attention for long-sequence time-series data forecasting with missing values”, Neural computing and applications, vol. 36, pp. 3921-3940, 2023.
[9] Wang, Y. Zheng, and G. Li, “High-Dimensional Low-Rank Tensor Autoregressive Time Series Modeling”, Journal of Econometrics, vol. 238, no. 1, 2023.
[10] Chen, H. Xiao, and D. Yang, “Autoregressive models for matrix-valued time series”, Journal of Econometrics, vol. 222, no. 1, part B, pp. 539-560, 2021.
[11] Maya, W. Yu, and X. Li, “Time series forecasting with missing data using neural network and meta-transfer learning”, In Proceedings of the 2021 IEEE Symposium Series on Computational Intelligence, 2021, pp. 1–6.
[12] F. Wu, C. Y. Chang, and S. J. Lee, “Time series forecasting with missing values”, International Conference on Industrial Networks and Intelligent Systems, 2015. DOI: 10.4108/icst.iniscom.2015.258269
[13] Deng, J. Deng, D. Yin, R. Jiang, and X. Song, “TTS-Norm: Forecasting Tensor Time Series via Multi-Way Normalization”, ACM Transactions on Knowledge Discovery from Data, vol. 18, no. 1, pp 1–25, 2023, https://doi.org/10.1145/3605894.
[14] Acar, D. M. Dunlavy, T. G. Kolda, and M. Morup, “Scalable Tensor Factorizations with Missing Data”, Proceedings of the 2010 SIAM International Conference on Data Mining, 2010, pp. 701-712, https://doi.org/10.1137/1.9781611972801.
[15] Song, H. Ge, J. Caverlee, and X. Hu, “Tensor Completion Algorithms in Big Data Analytics”, ACM Transitions on Knowledge Discovery from Data, vol. 13, no. 1, pp. 1- 48, 2019.
[16] J. Blinowska and M. Malinowski, “Non-linear and linear forecasting of the EEG time series”, Biological Cybernetics, vol. 66, pp. 159–165, 1991.
[17] Teixeira, B. Direito, M. Bandarabadi, and A. Dourado, “Output regularization of SVM seizure predictors: Kalman Filter versus the "Firing Power" method”, Conference IEEE Engineering in Medicine and Biology Society, 2012.
[18] P. Oikonomou, A. T. Tzallas, and D. I. Fotiadis, “A Kalman filter based methodology for EEG spike enhancement”, Computer Methods Programs Biomed, vol. 85, no. 2, pp. 101-108, 2007.
[19] Li, J. McCann, N. Pollard, and C. Faloutsos, “Dynammo: Mining and summarization of coevolving sequences with missing values”, In KDD, New York, NY, USA, ACM 2009.
[20] Cai, H. Tong, W. Fan, and P. Ji, “Fast mining of a network of coevolving time series”, In SDM, 2015. pp. 298-306, https://doi.org/10.1137/1.9781611974010.34
[21] Tora and K. Eguchi, “MPI/OpenMP hybrid parallel inference for Latent Dirichlet Allocation”, Proceedings of the Third Workshop on Large Scale Data Mining Theory and Applications, 2011.
[22] Talmon, M. Ronen, Z. Stephane, C. Hitten, and R. Ronald, “Manifold Learning for Latent Variable Inference in Dynamical Systems”, IEEE Transactions on Signal Processing, vol. 63, no. 15, pp. 3834-3856, 2015.
[23] Sun, D. Tao, and C. Faloutsos, “Beyond Streams and Graphs: Dynamic Tensor Analysis”, In KDD, 2006. https://doi.org/10.1145/1150402.1150445
[24] Mansouri et al. “A fast EEG forecasting algorithm for phase-locked transcranial electrical stimulation of the human brain”, In: Frontiers in Neuroscience, vol. 11, 2017.
[25] Peng, K. Zhang, and H. Wei, “Robust epileptic seizure prediction with missing values using an improved denoising adversarial autoencoder”, Proceedings of the 2022 4th International Conference on Image, Video and Signal Processing, 2022, pp. 157-164, https://doi.org/10.1145/3531232.3531255, 2022.
[26] Daoud and M. A. Bayoumi, “Efficient epileptic seizure prediction based on deep learning”, IEEE Transactions on Biomedical Circuits and Systems, vol. 13, no, 5, pp. 804-813, 2019.
[27] H. Brinkmannn et al, “Seizure Diaries and Forecasting with Wearables: Epilepsy Monitoring Outside the Clinic”, Frontiers in neurology, vol. 21, 2021. https://doi.org/10.3389/fneur.2021.690404
[28] R. G. Andrzejak, K. Lehnertz, F. Mormann, C. Rieke, P. David and C. E. Elger, “Indications of nonlinear deterministic and finite-dimensional structures in time series of brain electrical activity: Dependence on recording region and brain state”, Phys. Rev. E, vol. 64, p. 061907, 2001. https://doi.org/10.1103/PhysRevE.64.061907
Xem thêm
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
Jul 31, 2024
Download
Cách trích dẫn
Nguyen Thi Ngoc Anh, và Vo Trung Hung. “Hệ thống dự đoán động Kinh dựa Trên Tensor với điện não đồ đa chiều không hoàn chỉnh”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 22, số p.h 7, Tháng Bảy 2024, tr 83-89, https://jst-ud.vn/jst-ud/article/view/9264.
