論文の概要: EEG-Based Inter-Patient Epileptic Seizure Detection Combining Domain Adversarial Training with CNN-BiLSTM Network

• arxiv url: http://arxiv.org/abs/2505.15203v1
• Date: Wed, 21 May 2025 07:27:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.110524
• Title: EEG-Based Inter-Patient Epileptic Seizure Detection Combining Domain Adversarial Training with CNN-BiLSTM Network
• Title（参考訳）: CNN-BiLSTMネットワークを併用した脳波による発作性敗血症検出
• Authors: Rina Tazaki, Tomoyuki Akiyama, Akira Furui,
• Abstract要約: 畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BiLSTM)を併用したドメイン逆行訓練の検知フレームワークを提案する。 局所てんかん20例の脳波記録による評価は,非逆行法よりも優れていた。 対人訓練と時間的モデリングの統合により、堅牢な患者間発作検出が可能となる。
• 参考スコア（独自算出の注目度）: 1.9662978733004604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated epileptic seizure detection from electroencephalogram (EEG) remains challenging due to significant individual differences in EEG patterns across patients. While existing studies achieve high accuracy with patient-specific approaches, they face difficulties in generalizing to new patients. To address this, we propose a detection framework combining domain adversarial training with a convolutional neural network (CNN) and a bidirectional long short-term memory (BiLSTM). First, the CNN extracts local patient-invariant features through domain adversarial training, which optimizes seizure detection accuracy while minimizing patient-specific characteristics. Then, the BiLSTM captures temporal dependencies in the extracted features to model seizure evolution patterns. Evaluation using EEG recordings from 20 patients with focal epilepsy demonstrated superior performance over non-adversarial methods, achieving high detection accuracy across different patients. The integration of adversarial training with temporal modeling enables robust cross-patient seizure detection.
• Abstract（参考訳）: 脳波によるてんかん発作の自動検出は, 脳波パターンの差が大きいため, 依然として困難である。 既存の研究は、患者固有のアプローチで高い精度を達成する一方で、新規患者への一般化の困難に直面している。 そこで本研究では,ドメイン逆境トレーニングと畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BiLSTM)を組み合わせた検出フレームワークを提案する。 まず、CNNは、患者固有の特徴を最小化しながら、発作検出精度を最適化するドメイン逆行訓練を通じて、局所的な患者不変の特徴を抽出する。 次に、BiLSTMは、抽出した特徴の時間的依存関係をキャプチャして、発作進化パターンをモデル化する。 焦点てんかん20例の脳波記録による評価は,非逆行法よりも優れた成績を示し,異なる症例で高い検出精度が得られた。 対人訓練と時間的モデリングの統合により、堅牢な患者間発作検出が可能となる。

関連論文リスト

• The use of Multi-domain Electroencephalogram Representations in the building of Models based on Convolutional and Recurrent Neural Networks for Epilepsy Detection [1.4785447770765987]
  てんかんは世界中で約5000万人に影響を与えており、治療は依然として困難である。 EEGデータは専門家間でのばらつきの傾向があり、自動化されたソリューションの必要性を強調している。 この研究は、時間、周波数、時間周波数領域でEEGデータに基づいてトレーニングされたディープニューラルネットワークを体系的に比較する。 その結果、周波数領域データは97%を超える検出基準を達成し、より正確で信頼性の高い発作検出システムのための堅牢な基盤を提供することが示された。
  論文  参考訳（メタデータ） (2025-04-24T19:50:48Z)
• STIED: A deep learning model for the SpatioTemporal detection of focal Interictal Epileptiform Discharges with MEG [0.08030359871216612]
  脳磁図(MEG)を用いたてんかん間葉状放電(IED)の非侵襲的検出 深層学習(DL)は臨床MEGの実践に革命をもたらす可能性がある。 我々は,2つの畳み込みニューラルネットワークと時間的(1次元時間軸)および空間的(2次元トポグラフィー)特徴を組み合わせた,強力で教師付きなDLアルゴリズムであるSTIEDを開発した。
  論文  参考訳（メタデータ） (2024-10-30T18:41:22Z)
• 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)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• EEG-Based Epileptic Seizure Prediction Using Temporal Multi-Channel Transformers [1.0970480513577103]
  てんかんは最も一般的な神経疾患の1つで、てんかん発作と呼ばれる過渡期および未発症の事象を特徴とする。 脳波はてんかんの診断とモニタリングを補助的に行う方法である。 てんかん発作の予期せぬ性質を考えると、その予測は患者のケアを改善し、生活の質とてんかんの治療を最適化する。
  論文  参考訳（メタデータ） (2022-09-18T03:03:47Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• 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)
• Patient-Specific Seizure Prediction Using Single Seizure Electroencephalography Recording [16.395309518579914]
  本稿では、ウェーブレット変換されたEEGテンソルを畳み込みニューラルネットワーク(CNN)をベースネットワークとし、脳波の変化点を検出するシームズニューラルネットワークに基づく発作予測手法を提案する。 本手法では, 発作予知に複数の発作を応用したモデルに比較して, 10分未満の先天的および間天的データに翻訳する訓練に1回の発作しか必要としない。
  論文  参考訳（メタデータ） (2020-11-14T03:45:17Z)
• Epileptic Seizure Classification with Symmetric and Hybrid Bilinear Models [20.376912072606412]
  本稿では, 難治性てんかんの診断に応用したハイブリッドバイリニア深層学習ネットワークを提案する。 診断の精度は、医療症状の重複、様々な経験のレベル、および臨床専門職間の多様性によっても複雑である。
  論文  参考訳（メタデータ） (2020-01-15T03:22:10Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。