論文の概要: Biaxialformer: Leveraging Channel Independence and Inter-Channel Correlations in EEG Signal Decoding for Predicting Neurological Outcomes

• arxiv url: http://arxiv.org/abs/2507.02879v1
• Date: Wed, 18 Jun 2025 11:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-13 12:05:57.483594
• Title: Biaxialformer: Leveraging Channel Independence and Inter-Channel Correlations in EEG Signal Decoding for Predicting Neurological Outcomes
• Title（参考訳）: 脳波信号復号におけるチャネル独立性とチャネル間相関の活用による神経学的結果の予測
• Authors: Naimahmed Nesaragi, Hemin Ali Qadir, Per Steiner Halvorsen, Ilangko Balasingham,
• Abstract要約: 脳波信号の正確な復号には、個々のチャネル内の時間的ダイナミクスとチャネル間の空間的依存関係の両方をモデル化する必要がある。 チャネル独立性(CI)戦略を利用したトランスフォーマーベースモデルは,様々な時系列タスクにおいて高い性能を示した。 本稿では,2段階の注意に基づくフレームワークを巧みに設計したBiformerを提案する。
• 参考スコア（独自算出の注目度）: 1.7656489005289302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate decoding of EEG signals requires comprehensive modeling of both temporal dynamics within individual channels and spatial dependencies across channels. While Transformer-based models utilizing channel-independence (CI) strategies have demonstrated strong performance in various time series tasks, they often overlook the inter-channel correlations that are critical in multivariate EEG signals. This omission can lead to information degradation and reduced prediction accuracy, particularly in complex tasks such as neurological outcome prediction. To address these challenges, we propose Biaxialformer, characterized by a meticulously engineered two-stage attention-based framework. This model independently captures both sequence-specific (temporal) and channel-specific (spatial) EEG information, promoting synergy and mutual reinforcement across channels without sacrificing CI. By employing joint learning of positional encodings, Biaxialformer preserves both temporal and spatial relationships in EEG data, mitigating the interchannel correlation forgetting problem common in traditional CI models. Additionally, a tokenization module with variable receptive fields balance the extraction of fine-grained, localized features and broader temporal dependencies. To enhance spatial feature extraction, we leverage bipolar EEG signals, which capture inter-hemispheric brain interactions, a critical but often overlooked aspect in EEG analysis. Our study broadens the use of Transformer-based models by addressing the challenge of predicting neurological outcomes in comatose patients. Using the multicenter I-CARE data from five hospitals, we validate the robustness and generalizability of Biaxialformer with an average AUC 0.7688, AUPRC 0.8643, and F1 0.6518 in a cross-hospital scenario.
• Abstract（参考訳）: 脳波信号の正確な復号には、個々のチャネル内の時間的ダイナミクスとチャネル間の空間的依存関係の両方を包括的にモデル化する必要がある。 チャネル独立性(CI)戦略を利用したトランスフォーマーベースモデルは、様々な時系列タスクにおいて強い性能を示す一方で、多変量脳波信号において重要なチャネル間相関をしばしば見落としている。 この省略は、特に神経学的結果予測のような複雑なタスクにおいて、情報劣化と予測精度の低下につながる。 これらの課題に対処するため,細かな2段階の注意に基づくフレームワークを特徴とするバイ軸フォーマを提案する。 このモデルは、シーケンス特異的(一時的)とチャネル特異的(空間的)の脳波情報の両方を独立にキャプチャし、CIを犠牲にすることなく、チャネル間のシナジーと相互強化を促進する。 脳波データにおける時間的関係と空間的関係を両立させ,従来のCIモデルに共通する問題点を解消する。 さらに、可変受容フィールドを持つトークン化モジュールは、細粒度で局所化された特徴とより広い時間的依存関係の抽出のバランスをとる。 空間的特徴抽出を強化するために,脳波解析において重要で見落とされがちな領域である半球間脳の相互作用を捉えるバイポーラ脳波信号を利用する。 本研究は、コマトース患者の神経学的結果を予測することの難しさに対処し、トランスフォーマーモデルの使用を拡大する。 病院5病院の多施設間IC-CAREデータを用いて, 平均AUC 0.7688, AUPRC 0.8643, F1 0.6518 を用いた両軸フォーマの耐久性と一般化性を検証する。

関連論文リスト

• Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
  本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。 空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-06-24T00:56:21Z)
• Electromyography-Based Gesture Recognition: Hierarchical Feature Extraction for Enhanced Spatial-Temporal Dynamics [0.7083699704958353]
  本稿では, 時間的時間的特徴抽出手法として, 軽量な圧縮励起深層学習手法を提案する。 提案したモデルは、Ninapro DB2、DB4、DB5データセットでそれぞれ96.41%、92.40%、93.34%の精度でテストされた。
  論文  参考訳（メタデータ） (2025-04-04T07:11:12Z)
• Sparseformer: a Transferable Transformer with Multi-granularity Token Sparsification for Medical Time Series Classification [25.47662257105448]
  MedTS分類用に特別に設計された変換器であるSparseformerを紹介する。 本稿では,大域的モデリングとトークン圧縮を実現するための,スパーストークンベースのデュアルアテンション機構を提案する。 我々のモデルは、教師あり学習下で7つの医療データセットで12のベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-03-19T13:22:42Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• A Multi-channel EEG Data Analysis for Poor Neuro-prognostication in Comatose Patients with Self and Cross-channel Attention Mechanism [1.9288445804756893]
  両極性脳波 (EEG) 記録の予測可能性について検討した。 ハイブリッドなディープラーニングアプローチを用いた振り返り設計を用いて、高い特異性を目的とした目的関数を最適化する。
  論文  参考訳（メタデータ） (2023-09-24T13:13:29Z)

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。