Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Experimentos Relacionados

Clasificación automática de electroencefalogramas: Reglas de vecino más cercano de Kullback-Leibler.

W Gersch, F Martinelli, J Yonemoto

    Science (New York, N.Y.)
    |July 13, 1979
    PubMed
    Resumen

    La regla del vecino más cercano de Kullback-Leibler clasifica con precisión los estados del electroencefalograma (EEG) utilizando datos mínimos. Este método estima de manera confiable la probabilidad mínima de clasificación errónea del electroencefalograma para el monitoreo de la anestesia.

    Videos de Conceptos Relacionados

    También podría leer

    Artículos Relacionados

    Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

    Ordenar por
    Same author

    Methodological and reporting standards for quality-of-life data eligible for European Society for Medical Oncology-Magnitude of Clinical Benefit Scale (ESMO-MCBS) credit.

    Annals of oncology : official journal of the European Society for Medical Oncology·2022
    Same author

    Response to treatment and prognostic significance of supradiaphragmatic disease in patients with high-grade serous ovarian cancer.

    European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology·2022
    Same author

    Reducing energy demand by the combined application of advanced control strategies in a full scale WWTP.

    Water science and technology : a journal of the International Association on Water Pollution Research·2021
    Same author

    Using rADioMIcs and machine learning with ultrasonography for the differential diagnosis of myometRiAL tumors (the ADMIRAL pilot study). Radiomics and differential diagnosis of myometrial tumors.

    Gynecologic oncology·2021
    Same author

    The size, shape, density and ring of the dwarf planet Haumea from a stellar occultation.

    Nature·2017
    Same author

    Sentinel Node Mapping in Endometrial Cancer By Using Hysteroscopic Injection of Indocyanine Green and Laparoscopic Near-Infrared Fluorescence Imaging: A Preliminary Experience.

    Journal of minimally invasive gynecology·2016

    Área de la Ciencia:

    • La neurociencia computacional es la neurociencia computacional.
    • El aprendizaje automático en medicina.
    • Procesamiento de señales de procesamiento de señales.

    Sus antecedentes:

    • La clasificación automática de las series de tiempo del electroencefalograma (EEG) es crucial para el diagnóstico médico.
    • El monitoreo preciso de la anestesia requiere una clasificación confiable de los estados de EEG.

    Objetivo del estudio:

    • Aplicar la regla de Kullback-Leibler del vecino más cercano para clasificar las series temporales del electroencefalograma (EEG).
    • Para estimar la probabilidad mínima de clasificación errónea de EEG en tareas de clasificación automática.

    Principales métodos:

    • Utilizó la regla de Kullback-Leibler del vecino más cercano para la clasificación.
    • Empleado el cálculo de la máquina en los datos del electroencefalograma (EEG) solamente.

    Videos de Experimentos Relacionados

  • Centrado en clasificar los niveles de anestesia L1 (insuficiente) y L3 (suficiente para cirugía profunda).

    • Principales resultados:

    • El enfoque de vecino más cercano de Kullback-Leibler proporciona una estimación estadísticamente confiable de la probabilidad mínima de clasificación errónea del electroencefalograma.
    • Se logró la clasificación automática de los niveles de anestesia utilizando solo señales de EEG.
    • Eficacia demostrada con un número relativamente pequeño de muestras de EEG etiquetadas.

    Conclusiones:

    • La regla del vecino más cercano de Kullback-Leibler es efectiva para la clasificación automática de las series de tiempo del electroencefalograma (EEG).
    • Este método ofrece un enfoque confiable para estimar las tasas mínimas de clasificación errónea en el análisis EEG.
    • La computación por máquina en los datos de EEG por sí sola puede clasificar con precisión los niveles de anestesia.