論文の概要: SeizureTransformer: Scaling U-Net with Transformer for Simultaneous Time-Step Level Seizure Detection from Long EEG Recordings

• arxiv url: http://arxiv.org/abs/2504.00336v2
• Date: Wed, 02 Apr 2025 16:23:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:24:10.656043
• Title: SeizureTransformer: Scaling U-Net with Transformer for Simultaneous Time-Step Level Seizure Detection from Long EEG Recordings
• Title（参考訳）: Seizure Transformer:ロングEEG記録からの同時時間ステップレベルのSezure検出のためのTransformerによるU-Netスケーリング
• Authors: Kerui Wu, Ziyue Zhao, Bülent Yener,
• Abstract要約: SeizureTransformer は (i) 1次元畳み込み (ii) 残余のCNNスタックと変換器エンコーダから構成され、前の出力を文脈情報付き高レベル表現に埋め込む単純なモデルである。 パブリックおよびプライベートな脳波発作検出データセットの実験は、我々のモデルが既存のアプローチを大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 2.580765958706854
• License:
• Abstract: Epilepsy is a common neurological disorder that affects around 65 million people worldwide. Detecting seizures quickly and accurately is vital, given the prevalence and severity of the associated complications. Recently, deep learning-based automated seizure detection methods have emerged as solutions; however, most existing methods require extensive post-processing and do not effectively handle the crucial long-range patterns in EEG data. In this work, we propose SeizureTransformer, a simple model comprised of (i) a deep encoder comprising 1D convolutions (ii) a residual CNN stack and a transformer encoder to embed previous output into high-level representation with contextual information, and (iii) streamlined decoder which converts these features into a sequence of probabilities, directly indicating the presence or absence of seizures at every time step. Extensive experiments on public and private EEG seizure detection datasets demonstrate that our model significantly outperforms existing approaches (ranked in the first place in the 2025 "seizure detection challenge" organized in the International Conference on Artificial Intelligence in Epilepsy and Other Neurological Disorders), underscoring its potential for real-time, precise seizure detection.
• Abstract（参考訳）: てんかんは、世界中で約6500万人に影響を及ぼす一般的な神経疾患である。 合併症の頻度と重症度を考えると、発作を迅速かつ正確に検出することは不可欠である。 近年、深層学習に基づく自動発作検出法がソリューションとして登場しているが、既存のほとんどの手法では、広範囲な後処理が必要であり、脳波データにおける重要な長距離パターンを効果的に扱えない。 本稿では, 簡易モデルであるseizureTransformerを提案する。 (i)1次元畳み込みからなるディープエンコーダ (ii)残余CNNスタックと変換器エンコーダで、前の出力を文脈情報付き高レベル表現に埋め込み、 三 それらの特徴を一連の確率に変換する合理化復号器であって、各段階において発作の有無を直接示すものであること。 公的および民間の脳波発作検出データセットに関する大規模な実験により、我々のモデルは既存のアプローチ(てんかんおよび他の神経疾患における人工知能に関する国際会議(International Conference on Artificial Intelligence in Epilepsy and Other Neurological Disorders)において、2025年の第1回「青信号検出チャレンジ」にランクインした)を著しく上回り、リアルタイムかつ正確な発作検出の可能性を示している。

関連論文リスト

• From Epilepsy Seizures Classification to Detection: A Deep Learning-based Approach for Raw EEG Signals [0.8182812460605992]
  側頭葉てんかんの3分の1は薬剤耐性を示す。 抗敗血症薬開発の鍵となるのはてんかん発作の検出と定量化である。 本研究では,脳波信号に適用した深層学習モデルに基づく発作検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-10-04T12:52:37Z)
• SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder [0.0]
  本研究では,脳波データからてんかん発作を検出するための半教師付きアプローチを提案する。 以上の結果から,SncVAEは脳波データにおける発作検出を改善し,早期発作の早期発見と術後経過のモニタリングが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-06-25T13:21:01Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Lightweight Convolution Transformer for Cross-patient Seizure Detection in Multi-channel EEG Signals [0.0]
  本研究では、新しいディープラーニングアーキテクチャに基づく軽量畳み込み変換器(LCT)を提案する。 変換器は、多チャンネル脳波(EEG)信号から空間的および時間的相関情報を同時に学習し、より小さなセグメント長で発作を検出する。
  論文  参考訳（メタデータ） (2023-05-07T16:43:52Z)
• Unsupervised Multivariate Time-Series Transformers for Seizure Identification on EEG [9.338549413542948]
  てんかん発作は通常、脳波記録(EEG)によって観察される。 生脳波による発作同定のための教師なしトランスフォーマーモデルを提案する。 我々は、教師なし損失関数を介してトランスフォーマーエンコーダを含むオートエンコーダを訓練し、新しいマスキング戦略を取り入れた。
  論文  参考訳（メタデータ） (2023-01-03T15:57:13Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Multi-Centroid Hyperdimensional Computing Approach for Epileptic Seizure Detection [4.249341912358848]
  マルチセントロイドHD計算に基づく新しい半教師付き学習手法を提案する。 マルチセントロイドアプローチでは、発作状態と非地震状態を表すいくつかのプロトタイプベクターを持つことができる。 最大14%の改善は、発作データよりも10倍の非正弦率で不均衡なテストセットで達成される。
  論文  参考訳（メタデータ） (2021-11-16T13:30:47Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。