| 研究課題/領域番号 |
17K09800
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 研究分野 |
神経内科学
|
|---|
| 研究機関 | 金沢医科大学 (2019-2020)
徳島大学 (2017-2018) |
|---|
研究代表者 |
野寺 裕之 金沢医科大学, 医学部, 准教授 (40363147)
|
|---|
| 研究期間 (年度) |
2017-04-01 – 2021-03-31
|
| 研究課題ステータス |
完了 (2020年度)
|
| 配分額 *注記 |
4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2019年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2018年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2017年度: 2,210千円 (直接経費: 1,700千円、間接経費: 510千円)
|
|---|
| キーワード | 針筋電図 / 人工知能 / 音特徴量 / 自動判別 / AI / 機械学習 / ディープラーニング / 針筋電図検査 / 安静時放電 / 神経内科 / 神経筋疾患 |
|---|
| 研究成果の概要 |
神経筋疾患の患者での針筋電図検査で安静時放電をデータベース化した。分類された放電ファイルを2秒ごとに分割した。
手法１）それぞれの放電ファイルを用いて音特徴量を抽出した。機械学習的手法を用いて6種類の安静時放電の判別を試みたところ、正判別率は90.4%であった。
手法２）同一の放電データファイルを用いて実験を行った。針筋電図放電から得られた音情報をメルスペクトログラムに画像変換を行い、得られた画像を教師データとテストデータに分割した。それらのデータを用いて畳み込みニューラルネットワーク（CNN)を用いてディープラーニングを行った。画像データ増幅を行ったところ、正判別率は100%まで増加した。
|
| 研究成果の学術的意義や社会的意義 |
針筋電図の放電判別は専門医以外には容易ではなく、正確な診断を妨げている。本研究により機械学習やディープラーニングを用いることで高精度に判別が可能であることが分かった。今後は実用化に向けて対象となる波形を増やしていく。
|
