論文の概要: Detecting Blinks in Healthy and Parkinson's EEG: A Deep Learning Perspective

• arxiv url: http://arxiv.org/abs/2509.04951v1
• Date: Fri, 05 Sep 2025 09:17:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.547638
• Title: Detecting Blinks in Healthy and Parkinson's EEG: A Deep Learning Perspective
• Title（参考訳）: 健康とパーキンソン脳波の瞬き検出 : 深層学習の視点から
• Authors: Artem Lensky, Yiding Qiu,
• Abstract要約: 我々は脳波信号を不随意の点滅と非点滅に分割するための様々な深層学習モデルを評価する。 本研究では,1,3,5個の前頭脳波電極を用いた点滅検出用パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blinks in electroencephalography (EEG) are often treated as unwanted artifacts. However, recent studies have demonstrated that blink rate and its variability are important physiological markers to monitor cognitive load, attention, and potential neurological disorders. This paper addresses the critical task of accurate blink detection by evaluating various deep learning models for segmenting EEG signals into involuntary blinks and non-blinks. We present a pipeline for blink detection using 1, 3, or 5 frontal EEG electrodes. The problem is formulated as a sequence-to-sequence task and tested on various deep learning architectures including standard recurrent neural networks, convolutional neural networks (both standard and depth-wise), temporal convolutional networks (TCN), transformer-based models, and hybrid architectures. The models were trained on raw EEG signals with minimal pre-processing. Training and testing was carried out on a public dataset of 31 subjects collected at UCSD. This dataset consisted of 15 healthy participants and 16 patients with Parkinson's disease allowing us to verify the model's robustness to tremor. Out of all models, CNN-RNN hybrid model consistently outperformed other models and achieved the best blink detection accuracy of 93.8%, 95.4% and 95.8% with 1, 3, and 5 channels in the healthy cohort and correspondingly 73.8%, 75.4% and 75.8% in patients with PD. The paper compares neural networks for the task of segmenting EEG recordings to involuntary blinks and no blinks allowing for computing blink rate and other statistics.
• Abstract（参考訳）: 脳波検査(EEG)の点滅は、しばしば望ましくない人工物として扱われる。 しかし、近年の研究では、瞬き速度とその変動性が認知負荷、注意力、潜在的な神経疾患を監視する重要な生理的指標であることが示されている。 本稿では、脳波信号を不随意の点滅と非点滅に分割するための様々な深層学習モデルを評価することによって、正確な点滅検出の重要課題について述べる。 本研究では,1,3,5個の前頭脳波電極を用いた点滅検出用パイプラインを提案する。 この問題はシーケンス・ツー・シーケンスのタスクとして定式化され、標準的なリカレントニューラルネットワーク、畳み込みニューラルネットワーク(標準と深さの双方)、時間畳み込みネットワーク(TCN)、トランスフォーマーベースのモデル、ハイブリッドアーキテクチャなど、さまざまなディープラーニングアーキテクチャでテストされる。 モデルは、最小限の事前処理で生の脳波信号に基づいて訓練された。 UCSDで収集した31名の被験者を対象に、トレーニングと試験を行った。 このデータセットは15人の健康な参加者と16人のパーキンソン病患者で構成されており、モデルが震えに頑健であることを検証することができる。 全てのモデルの中で、CNN-RNNハイブリッドモデルは他のモデルよりも一貫して優れており、PD患者では93.8%、95.4%、95.8%、健康コホートでは1, 3, 5チャンネルで73.8%、75.4%、75.8%の最良の点滅検出精度を達成した。 本稿では,脳波記録を不随意の点滅に分割し,点滅率などの統計データを計算できる点滅のない点滅をニューラルネットワークで比較する。

関連論文リスト

• TransformEEG: Towards Improving Model Generalizability in Deep Learning-based EEG Parkinson's Disease Detection [1.2358659553221853]
  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。
  論文  参考訳（メタデータ） (2025-07-10T10:44:53Z)
• 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)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Few-Shot Transfer Learning for Individualized Braking Intent Detection on Neuromorphic Hardware [0.21847754147782888]
  本研究では、BrainChip上の畳み込みスパイクニューラルネットワーク(CSNN)をトレーニングし、実装するために、数発の転送学習手法の使用について検討する。 その結果、ニューロモルフィックハードウェアのエネルギー効率は97%以上低下し、レイテンシは1.3*しか増加しなかった。
  論文  参考訳（メタデータ） (2024-07-21T15:35:46Z)
• 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)
• Novel EEG based Schizophrenia Detection with IoMT Framework for Smart Healthcare [0.0]
  統合失調症(Sz)は、世界中の人々の思考、行動、感情に深刻な影響を及ぼす脳障害である。 EEGは非線形時系列信号であり、その非線形構造のために調査に利用することがかなり重要である。 本稿では,深層学習を用いた脳波を用いたSz検出の性能向上を目的とする。
  論文  参考訳（メタデータ） (2021-11-19T18:21:20Z)
• 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)

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。