論文の概要: NeuroDx-LM: A Clinical Large-Scale Model for EEG-based Neurological Disorder Detection

• arxiv url: http://arxiv.org/abs/2508.08124v1
• Date: Mon, 11 Aug 2025 16:02:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.191478
• Title: NeuroDx-LM: A Clinical Large-Scale Model for EEG-based Neurological Disorder Detection
• Title（参考訳）: NeuroDx-LM:脳波による神経障害検出のための大規模臨床モデル
• Authors: Guanghao Jin, Yuan Liang, Yihan Ma, Jingpei Wu, Guoyang Liu,
• Abstract要約: 脳電図(EEG)で事前訓練された大規模モデルは、神経疾患検出などの臨床応用において有望である。 NeuroDx-LMは、脳波に基づく神経疾患を検出するために特別に設計された新しい大規模モデルである。
• 参考スコア（独自算出の注目度）: 7.185477956123345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale models pre-trained on Electroencephalography (EEG) have shown promise in clinical applications such as neurological disorder detection. However, the practical deployment of EEG-based large-scale models faces critical challenges such as limited labeled EEG data and suboptimal performance in clinical scenarios. To address these issues, we propose NeuroDx-LM, a novel large-scale model specifically designed for detecting EEG-based neurological disorders. Our key contributions include (i) a Selective Temporal-Frequency Embedding mechanism that adaptively captures complex temporal and spectral patterns in EEG signals; and (ii) a Progressive Feature-Aware Training strategy that refines feature representation in a two-stage process. In the first stage, our model learns the fundamental discriminative features of EEG activities; in the second stage, the model further extracts more specialized fine-grained features for accurate diagnostic performance. We evaluated NeuroDx-LM on the CHB-MIT and Schizophrenia datasets, achieving state-of-the-art performance in EEG-based seizure and schizophrenia detection, respectively. These results demonstrate the great potential of EEG-based large-scale models to advance clinical applicability. Our code is available at https://github.com/LetItBe12345/NeuroDx-LM.
• Abstract（参考訳）: 脳電図(EEG)で事前訓練された大規模モデルは、神経疾患検出などの臨床応用において有望である。 しかし、脳波に基づく大規模モデルの実践的展開は、臨床シナリオにおけるラベル付き脳波データや準最適性能などの重要な課題に直面している。 これらの課題に対処するために,脳波に基づく神経疾患を検出するための新しい大規模モデルであるNeuroDx-LMを提案する。 主な貢献は i)脳波信号の複雑な時間・スペクトルパターンを適応的にキャプチャする選択的時間周波数埋め込み機構 (II)2段階のプロセスで特徴表現を洗練するプログレッシブ・フィーチャー・アウェア・トレーニング戦略。 第1段階では,脳波活動の基本的な識別的特徴を学習し,第2段階では,より精細な特徴を抽出し,診断精度を向上させる。 我々は,CHB-MITおよび統合失調症データセット上でNeuroDx-LMを評価し,脳波による発作と統合失調症検出の最先端性を実現した。 これらの結果は,脳波を用いた大規模モデルによる臨床応用の可能性を示すものである。 私たちのコードはhttps://github.com/LetItBe12345/NeuroDx-LMで公開されています。

関連論文リスト

• EEG Foundation Challenge: From Cross-Task to Cross-Subject EEG Decoding [71.31963197992998]
  2つの課題からなる大規模なコードベースのコンペティションを導入します。 Transfer Challengeは参加者に対して,新たなタスクと新たな課題をEEGデータからゼロショットデコード可能なモデルの構築とテストを求めるものだ。 精神病理因子予測チャレンジでは、参加者に脳波データからメンタルヘルスの指標を推測するよう求めている。
  論文  参考訳（メタデータ） (2025-06-23T21:25:19Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [50.76802709706976]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• Large Cognition Model: Towards Pretrained EEG Foundation Model [0.0]
  多様な脳波データセットと下流タスクをまたいだ一般化を目的としたトランスフォーマーベース基盤モデルを提案する。 本研究は, 神経科学, パーソナライズドメディカル, およびBCI技術の進歩を促進するための, 事前学習型脳波基盤モデルの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-11T04:28:10Z)
• 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)
• FoME: A Foundation Model for EEG using Adaptive Temporal-Lateral Attention Scaling [19.85701025524892]
  FoME (Foundation Model for EEG) は適応的側方アテンションスケーリングを用いた新しいアプローチである。 FoMEは1.7TBの頭皮と頭蓋内脳波記録のデータセットで事前訓練されており、1,096kのステップで745Mのパラメータが訓練されている。
  論文  参考訳（メタデータ） (2024-09-19T04:22:40Z)
• EEG-Language Pretraining for Highly Label-Efficient Clinical Phenotyping [0.0]
  マルチモーダル言語モデリングは、表現学習のブレークスルーを可能にしてきたが、臨床表現型検索のための機能的脳データの範囲では未解明のままである。 本稿では臨床報告と15,000の脳波を訓練した脳波モデル(ELM)を考案した。
  論文  参考訳（メタデータ） (2024-09-02T10:03:03Z)
• 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)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network [0.21756081703275995]
  本稿では,頭皮電気脳波(EEG)を用いた神経疾患の診断を改善するための新しいグラフ畳み込みニューラルネットワーク(GCNN)を提案する。 脳波データのための新しいGCNNモデルであるEEG-GCNNを提案し、頭皮電極間の空間的および機能的接続を捉える。 我々は、EEG-GCNNが人間のベースラインと古典的機械学習(ML)ベースラインを大幅に上回っており、AUCは0.90であることを示した。
  論文  参考訳（メタデータ） (2020-11-17T20:25:28Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)

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。