Neonatal seizure detection using deep convolutional neural networks

La identificación de un conjunto básico de características es uno de los pasos más importantes en el desarrollo de un detector automático de ataques. En la mayoría de los estudios publicados que describen características y clasificadores de convulsiones, las características fueron diseñadas a mano,...

Full description

Autores:
Tipo de recurso:
Fecha de publicación:
2018
Institución:
Universidad del Rosario
Repositorio:
Repositorio EdocUR - U. Rosario
Idioma:
eng
OAI Identifier:
oai:repository.urosario.edu.co:10336/26634
Acceso en línea:
https://doi.org/10.1142/S0129065718500119
https://repository.urosario.edu.co/handle/10336/26634
Palabra clave:
Redes neuronales profundas
Red neuronal convolucional
Detección de convulsiones neonatales
Bosque aleatorio.
Deep Neural Networks
Convolutional Neural Network
Neonatal Seizure Detection
Random Forest.
Rights
License
Restringido (Acceso a grupos específicos)
id EDOCUR2_5ec594386de33a553c1d759ba473b74c
oai_identifier_str oai:repository.urosario.edu.co:10336/26634
network_acronym_str EDOCUR2
network_name_str Repositorio EdocUR - U. Rosario
repository_id_str
spelling 14139512600d91ac08f-25ec-4d13-8363-eafcb342b237-17cd7320e-36a3-4092-b865-7a1fa9d4fd29-155320cda-97a5-498e-9555-cec06026ceda-1d3b89afb-fd80-4585-a363-0e70821d0666-1373c77e3-5093-43fd-831b-0db88cefa50d-12020-08-19T14:39:56Z2020-08-19T14:39:56Z2018-04-02La identificación de un conjunto básico de características es uno de los pasos más importantes en el desarrollo de un detector automático de ataques. En la mayoría de los estudios publicados que describen características y clasificadores de convulsiones, las características fueron diseñadas a mano, lo que puede no ser óptimo. El objetivo principal del presente artículo es utilizar redes neuronales convolucionales profundas (CNN) y bosques aleatorios para optimizar automáticamente la selección y clasificación de característicasIdentifying a basic set of characteristics is one of the most important steps in developing an automatic attack detector. In most of the published studies describing seizure characteristics and classifiers, the characteristics were designed by hand, which may not be optimal. The main objective of this article is to use deep convolutional neural networks (CNN) and random forests to automatically optimize the selection and classification of featuresapplication/pdfhttps://doi.org/10.1142/S0129065718500119ISSN: 0129-0657https://repository.urosario.edu.co/handle/10336/26634engWorld Scientific and Engineering Academy and SocietyNo. 4International Journal of Neural SystemsVol. 29International Journal of Neural Systems, ISSN: 0129-0657, Vol.29, No.4 (2018)https://www.worldscientific.com/doi/abs/10.1142/S0129065718500119Restringido (Acceso a grupos específicos)http://purl.org/coar/access_right/c_16ecInternational Journal of Neural Systemsinstname:Universidad del Rosarioreponame:Repositorio Institucional EdocURRedes neuronales profundasRed neuronal convolucionalDetección de convulsiones neonatalesBosque aleatorio.Deep Neural NetworksConvolutional Neural NetworkNeonatal Seizure DetectionRandom Forest.Neonatal seizure detection using deep convolutional neural networksDetección de convulsiones neonatales mediante redes neuronales convolucionales profundasarticleArtículohttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_6501Caicedo Dorado, AlexanderAnsari, Amir HCherian, Perumpillichira JNaulaers, GunnarDe Vos, MaartenVan Huffel, Sabine10336/26634oai:repository.urosario.edu.co:10336/266342021-06-03 00:49:56.17https://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.co
dc.title.spa.fl_str_mv Neonatal seizure detection using deep convolutional neural networks
dc.title.TranslatedTitle.spa.fl_str_mv Detección de convulsiones neonatales mediante redes neuronales convolucionales profundas
title Neonatal seizure detection using deep convolutional neural networks
spellingShingle Neonatal seizure detection using deep convolutional neural networks
Redes neuronales profundas
Red neuronal convolucional
Detección de convulsiones neonatales
Bosque aleatorio.
Deep Neural Networks
Convolutional Neural Network
Neonatal Seizure Detection
Random Forest.
title_short Neonatal seizure detection using deep convolutional neural networks
title_full Neonatal seizure detection using deep convolutional neural networks
title_fullStr Neonatal seizure detection using deep convolutional neural networks
title_full_unstemmed Neonatal seizure detection using deep convolutional neural networks
title_sort Neonatal seizure detection using deep convolutional neural networks
dc.subject.spa.fl_str_mv Redes neuronales profundas
Red neuronal convolucional
Detección de convulsiones neonatales
Bosque aleatorio.
topic Redes neuronales profundas
Red neuronal convolucional
Detección de convulsiones neonatales
Bosque aleatorio.
Deep Neural Networks
Convolutional Neural Network
Neonatal Seizure Detection
Random Forest.
dc.subject.keyword.spa.fl_str_mv Deep Neural Networks
Convolutional Neural Network
Neonatal Seizure Detection
Random Forest.
description La identificación de un conjunto básico de características es uno de los pasos más importantes en el desarrollo de un detector automático de ataques. En la mayoría de los estudios publicados que describen características y clasificadores de convulsiones, las características fueron diseñadas a mano, lo que puede no ser óptimo. El objetivo principal del presente artículo es utilizar redes neuronales convolucionales profundas (CNN) y bosques aleatorios para optimizar automáticamente la selección y clasificación de características
publishDate 2018
dc.date.created.spa.fl_str_mv 2018-04-02
dc.date.accessioned.none.fl_str_mv 2020-08-19T14:39:56Z
dc.date.available.none.fl_str_mv 2020-08-19T14:39:56Z
dc.type.eng.fl_str_mv article
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.type.spa.spa.fl_str_mv Artículo
dc.identifier.doi.none.fl_str_mv https://doi.org/10.1142/S0129065718500119
dc.identifier.issn.none.fl_str_mv ISSN: 0129-0657
dc.identifier.uri.none.fl_str_mv https://repository.urosario.edu.co/handle/10336/26634
url https://doi.org/10.1142/S0129065718500119
https://repository.urosario.edu.co/handle/10336/26634
identifier_str_mv ISSN: 0129-0657
dc.language.iso.spa.fl_str_mv eng
language eng
dc.relation.citationIssue.none.fl_str_mv No. 4
dc.relation.citationTitle.none.fl_str_mv International Journal of Neural Systems
dc.relation.citationVolume.none.fl_str_mv Vol. 29
dc.relation.ispartof.spa.fl_str_mv International Journal of Neural Systems, ISSN: 0129-0657, Vol.29, No.4 (2018)
dc.relation.uri.spa.fl_str_mv https://www.worldscientific.com/doi/abs/10.1142/S0129065718500119
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_16ec
dc.rights.acceso.spa.fl_str_mv Restringido (Acceso a grupos específicos)
rights_invalid_str_mv Restringido (Acceso a grupos específicos)
http://purl.org/coar/access_right/c_16ec
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv World Scientific and Engineering Academy and Society
dc.source.spa.fl_str_mv International Journal of Neural Systems
institution Universidad del Rosario
dc.source.instname.none.fl_str_mv instname:Universidad del Rosario
dc.source.reponame.none.fl_str_mv reponame:Repositorio Institucional EdocUR
repository.name.fl_str_mv Repositorio institucional EdocUR
repository.mail.fl_str_mv edocur@urosario.edu.co
_version_ 1814167641331335168

Publicaciones similares