論文の概要: EEG-MSAF: An Interpretable Microstate Framework uncovers Default-Mode Decoherence in Early Neurodegeneration

• arxiv url: http://arxiv.org/abs/2509.02568v1
• Date: Mon, 18 Aug 2025 15:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-07 09:10:15.279624
• Title: EEG-MSAF: An Interpretable Microstate Framework uncovers Default-Mode Decoherence in Early Neurodegeneration
• Title（参考訳）: EEG-MSAF: 早期神経変性におけるデフォルトモードのデコヒーレンスを解明する解釈可能なマイクロステートフレームワーク
• Authors: Mohammad Mehedi Hasan, Pedro G. Lind, Hernando Ombao, Anis Yazidi, Rabindra Khadka,
• Abstract要約: 認知症 (DEM) は世界的な健康問題であり、早期かつ正確な診断の必要性を浮き彫りにしている。 我々はDEM関連バイオマーカーを識別するエンドツーエンドパイプラインである textbfEEG Microstate Analysis Framework (EEG-MSAF) を提案する。 EEG-MSAFは,(1)マイクロステートの特徴抽出,(2)機械学習による分類,(3)重要バイオマーカーの強調のための特徴ランキングの3段階からなる。
• 参考スコア（独自算出の注目度）: 7.707948070559431
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dementia (DEM) is a growing global health challenge, underscoring the need for early and accurate diagnosis. Electroencephalography (EEG) provides a non-invasive window into brain activity, but conventional methods struggle to capture its transient complexity. We present the \textbf{EEG Microstate Analysis Framework (EEG-MSAF)}, an end-to-end pipeline that leverages EEG microstates discrete, quasi-stable topographies to identify DEM-related biomarkers and distinguish DEM, mild cognitive impairment (MCI), and normal cognition (NC). EEG-MSAF comprises three stages: (1) automated microstate feature extraction, (2) classification with machine learning (ML), and (3) feature ranking using Shapley Additive Explanations (SHAP) to highlight key biomarkers. We evaluate on two EEG datasets: the public Chung-Ang University EEG (CAUEEG) dataset and a clinical cohort from Thessaloniki Hospital. Our framework demonstrates strong performance and generalizability. On CAUEEG, EEG-MSAF-SVM achieves \textbf{89\% $\pm$ 0.01 accuracy}, surpassing the deep learning baseline CEEDNET by \textbf{19.3\%}. On the Thessaloniki dataset, it reaches \textbf{95\% $\pm$ 0.01 accuracy}, comparable to EEGConvNeXt. SHAP analysis identifies mean correlation and occurrence as the most informative metrics: disruption of microstate C (salience/attention network) dominates DEM prediction, while microstate F, a novel default-mode pattern, emerges as a key early biomarker for both MCI and DEM. By combining accuracy, generalizability, and interpretability, EEG-MSAF advances EEG-based dementia diagnosis and sheds light on brain dynamics across the cognitive spectrum.
• Abstract（参考訳）: 認知症 (DEM) は世界的な健康問題であり、早期かつ正確な診断の必要性を浮き彫りにしている。 脳波検査(EEG)は脳活動に非侵襲的な窓を提供するが、従来の方法ではその過渡的な複雑さを捉えるのに苦労している。 我々は,脳波の離散的,準安定なトポグラフィーを利用してDEM関連バイオマーカーを識別し,DEM,軽度認知障害(MCI),正常認知(NC)を識別するエンド・ツー・エンド・エンド・パイプラインである「textbf{EEG Microstate Analysis Framework(EEG-MSAF)」を提案する。 EEG-MSAFは,(1)自動マイクロステート特徴抽出,(2)機械学習を用いた分類,(3)Shapley Additive Explanations(SHAP)を用いた特徴ランキングの3段階からなる。 2つの脳波データセット(Chung-Ang University EEG(CAUEEG)データセット)とテッサロニキ病院の臨床コホート(コホート)について検討した。 私たちのフレームワークは、強力なパフォーマンスと一般化性を示します。 CAUEEGでは、EEG-MSAF-SVM が \textbf{89\% $\pm$ 0.01 accuracy} を達成し、深層学習ベースライン CEEDNET を \textbf{19.3\%} で上回っている。 Thessalonikiデータセットでは、EEGConvNeXtに匹敵する、textbf{95\% $\pm$ 0.01 accuracy}に達する。 SHAP分析は平均相関と発生を最も有意義な指標として認識する: マイクロステートC(セイレンス/アテンションネットワーク)の破壊はDEM予測を支配し、一方、新しいデフォルトモードパターンであるマイクロステートFはMCIとDEMの両方にとって重要な初期のバイオマーカーとして出現する。 正確性、一般化可能性、解釈可能性を組み合わせることで、脳波-MSAFは脳波に基づく認知症診断を進め、認知スペクトル全体にわたる脳のダイナミクスに光を当てる。

関連論文リスト

• EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [5.73410409687106]
  EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。 第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
  論文  参考訳（メタデータ） (2025-08-19T11:12:58Z)
• 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)
• BioSerenity-E1: a self-supervised EEG model for medical applications [0.0]
  BioSerenity-E1は臨床脳波治療のための自己監督型基礎モデルの1つである。 スペクトルトークン化とマスク付き予測を組み合わせることで、関連する診断タスク間で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-03-13T13:42:46Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• LV-CadeNet: A Long-View Feature Convolution-Attention Fusion Encoder-Decoder Network for EEG/MEG Spike Analysis [11.73048215393441]
  脳磁図(MEG)や脳波記録(EEG)における間質性てんかん状放電(IED)の解析はてんかんの診断において重要な要素である。 現在のアプローチでは、臨床専門家の診断知性を2つの重要な側面で完全にエミュレートすることができない。 本稿では,人工知能のギャップを埋める新しいディープラーニングフレームワークLV-CadeNetを提案する。
  論文  参考訳（メタデータ） (2024-12-12T03:19:44Z)
• 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)
• MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
  てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。 本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
  論文  参考訳（メタデータ） (2022-11-09T01:07:20Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。