論文の概要: TransformEEG: Towards Improving Model Generalizability in Deep Learning-based EEG Parkinson's Disease Detection

• arxiv url: http://arxiv.org/abs/2507.07622v1
• Date: Thu, 10 Jul 2025 10:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.362333
• Title: TransformEEG: Towards Improving Model Generalizability in Deep Learning-based EEG Parkinson's Disease Detection
• Title（参考訳）: TransformEEG:Deep Learning-based EEG Parkinson's Disease Detectionにおけるモデル一般化性向上に向けて
• Authors: Federico Del Pup, Riccardo Brun, Filippo Iotti, Edoardo Paccagnella, Mattia Pezzato, Sabrina Bertozzo, Andrea Zanola, Louis Fabrice Tshimanga, Henning Müller, Manfredo Atzori,
• Abstract要約: EEGベースのディープラーニングモデルは、有望な結果を示している。 現在のDLモデルは、オブジェクト間の変動が激しいため、一般化性に乏しい。 本稿では,脳波データを用いたパーキンソン病検出のためのハイブリッド畳み込み変換器であるTransformEEGを紹介する。
• 参考スコア（独自算出の注目度）: 1.2358659553221853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) is establishing itself as an important, low-cost, noninvasive diagnostic tool for the early detection of Parkinson's Disease (PD). In this context, EEG-based Deep Learning (DL) models have shown promising results due to their ability to discover highly nonlinear patterns within the signal. However, current state-of-the-art DL models suffer from poor generalizability caused by high inter-subject variability. This high variability underscores the need for enhancing model generalizability by developing new architectures better tailored to EEG data. This paper introduces TransformEEG, a hybrid Convolutional-Transformer designed for Parkinson's disease detection using EEG data. Unlike transformer models based on the EEGNet structure, TransformEEG incorporates a depthwise convolutional tokenizer. This tokenizer is specialized in generating tokens composed by channel-specific features, which enables more effective feature mixing within the self-attention layers of the transformer encoder. To evaluate the proposed model, four public datasets comprising 290 subjects (140 PD patients, 150 healthy controls) were harmonized and aggregated. A 10-outer, 10-inner Nested-Leave-N-Subjects-Out (N-LNSO) cross-validation was performed to provide an unbiased comparison against seven other consolidated EEG deep learning models. TransformEEG achieved the highest balanced accuracy's median (78.45%) as well as the lowest interquartile range (6.37%) across all the N-LNSO partitions. When combined with data augmentation and threshold correction, median accuracy increased to 80.10%, with an interquartile range of 5.74%. In conclusion, TransformEEG produces more consistent and less skewed results. It demonstrates a substantial reduction in variability and more reliable PD detection using EEG data compared to the other investigated models.
• Abstract（参考訳）: 脳波検査(EEG)は、パーキンソン病(PD)の早期発見のための重要な、低コストで非侵襲的な診断ツールとして確立されている。 この文脈において、脳波に基づくディープラーニング(DL)モデルは、信号内で非常に非線形なパターンを発見する能力から、有望な結果を示している。 しかし、現在最先端のDLモデルは、高いオブジェクト間変動に起因する一般化性の低下に悩まされている。 この高い可変性は、新しいアーキテクチャをEEGデータに合わせたものにすることで、モデルの一般化性を高める必要性を浮き彫りにしている。 本稿では,脳波データを用いたパーキンソン病検出のためのハイブリッド畳み込み変換器であるTransformEEGを紹介する。 EEGNet構造に基づくトランスフォーマーモデルとは異なり、TransformEEGは深い畳み込みトークンを組み込んでいる。 このトークンライザは、トランスフォーマーエンコーダの自己保持層内でより効果的な機能混合を可能にする、チャネル固有の特徴によって構成されるトークンの生成に特化している。 提案モデルを評価するために,290名の被験者(140名のPD患者,150名の健康管理者)からなる4つの公開データセットを調和させて集計した。 10-innerのNested-Leave-N-Subjects-Out (N-LNSO)クロスバリデーションを行い、他の7つの統合脳波深層学習モデルと比較した。 TransformEEGは、すべてのN-LNSOパーティションの中で、最もバランスの取れた精度の中央値(78.45%)と、最も低い周波数間距離(6.37%)を達成した。 データ拡張としきい値補正を組み合わせると、中央値の精度は80.10%まで上昇し、5.74%の範囲に到達した。 結論として、TransformEEGはより一貫性があり、歪んだ結果を生み出す。 脳波データを用いたバラツキと信頼性の高いPD検出の精度は,他の調査モデルと比較して著しく低下している。

関連論文リスト

• GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
  本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。 セグメンテーションと分類の精度は著しく向上した。 この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-23T23:28:47Z)
• Graph Adapter of EEG Foundation Models for Parameter Efficient Fine Tuning [1.8946099300030472]
  これらの課題に対処するために,パラメータ効率のよい微細チューニング(PEFT)手法であるEEG-GraphAdapter (EGA)を提案する。 EGAは、GNNベースのモジュールとしてトレーニング済みの時間バックボーンモデルに統合され、バックボーンを凍結し、アダプタのみを微調整できる。 重度抑うつ障害(MDD)と不規則性検出(TUAB)の2つの医療関連下流課題に対する実験的評価 : 背骨BENDRモデルと比較して,EGAがF1スコアで最大16.1%向上することを示す。
  論文  参考訳（メタデータ） (2024-11-25T07:30:52Z)
• Quantity versus Diversity: Influence of Data on Detecting EEG Pathology with Advanced ML Models [0.0]
  本研究では,脳波の一般的な病態を検出するための各種機械学習モデルの性能に及ぼすデータ量と多様性の影響について検討した。 我々は、テンプル大学病院の2,993件の脳波データと、Elmiko Biosignals sp. z o.oの55,787件の脳波データを利用する。 以上の結果から,小規模で一貫したデータセットにより,広範囲のモデルで高い精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-11-13T16:15:48Z)
• RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier [0.0]
  頭蓋内脳波(iEEG)は、臨床および脳-コンピュータインターフェースの応用にますます使われている。 本稿では, 電極内注入変動に頑健な新しいデコーダモデルを提案する。 我々はこのモデルをRISE-iEEGと呼び、このモデルはRobust to Inter-Subject Electrode implantation Variability iEEG の略である。
  論文  参考訳（メタデータ） (2024-08-12T18:33:19Z)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• 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)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)

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。