論文の概要: Machine Learning-Based Prediction of Speech Arrest During Direct Cortical Stimulation Mapping

• arxiv url: http://arxiv.org/abs/2509.08703v1
• Date: Wed, 10 Sep 2025 15:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.479314
• Title: Machine Learning-Based Prediction of Speech Arrest During Direct Cortical Stimulation Mapping
• Title（参考訳）: 直接刺激マッピングにおける機械学習による発話停止の予測
• Authors: Nikasadat Emami, Amirhossein Khalilian-Gourtani, Jianghao Qian, Antoine Ratouchniak, Xupeng Chen, Yao Wang, Adeen Flinker,
• Abstract要約: 音声タスクを施行した16名を対象に頭蓋内脳波(ECoG)データを解析した。 我々は、各ECoGの下の脳領域が重要かどうかを直接予測する機械学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 2.060123990983555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying cortical regions critical for speech is essential for safe brain surgery in or near language areas. While Electrical Stimulation Mapping (ESM) remains the clinical gold standard, it is invasive and time-consuming. To address this, we analyzed intracranial electrocorticographic (ECoG) data from 16 participants performing speech tasks and developed machine learning models to directly predict if the brain region underneath each ECoG electrode is critical. Ground truth labels indicating speech arrest were derived independently from Electrical Stimulation Mapping (ESM) and used to train classification models. Our framework integrates neural activity signals, anatomical region labels, and functional connectivity features to capture both local activity and network-level dynamics. We found that models combining region and connectivity features matched the performance of the full feature set, and outperformed models using either type alone. To classify each electrode, trial-level predictions were aggregated using an MLP applied to histogram-encoded scores. Our best-performing model, a trial-level RBF-kernel Support Vector Machine together with MLP-based aggregation, achieved strong accuracy on held-out participants (ROC-AUC: 0.87, PR-AUC: 0.57). These findings highlight the value of combining spatial and network information with non-linear modeling to improve functional mapping in presurgical evaluation.
• Abstract（参考訳）: 音声に重要な皮質領域の同定は、言語領域または近辺での安全な脳外科手術に不可欠である。 電気刺激マッピング(Electric Stimulation Mapping, ESM)は依然として臨床用金標準であるが、侵襲的で時間を要する。 そこで我々は,音声タスクを行う16人の頭蓋内脳波(ECoG)データを解析し,各ECoG電極下の脳領域が重要かどうかを直接予測する機械学習モデルを開発した。 音声の停止を示す真実ラベルは、電気刺激マッピング(ESM)から独立して派生し、分類モデルの訓練に使用された。 本フレームワークは,脳活動信号,解剖学的領域ラベル,機能接続機能を統合して,局所活動とネットワークレベルのダイナミクスの両方をキャプチャする。 その結果、リージョンと接続性を組み合わせたモデルが、フル機能セットのパフォーマンスと一致し、どちらのタイプも性能が優れていることがわかった。 各電極を分類するために, ヒストグラム符号化スコアに適用したMDPを用いて試行レベルの予測を集計した。 実験レベルRBFカーネルサポートベクトルマシンとMLPベースのアグリゲーションを併用し,保持者に対して高い精度 (ROC-AUC: 0.87, PR-AUC: 0.57) を達成した。 これらの知見は, 空間情報とネットワーク情報を非線形モデルと組み合わせることで, 術前評価における機能的マッピングを改善することの意義を強調した。

関連論文リスト

• Graph Attention Networks for Detecting Epilepsy from EEG Signals Using Accessible Hardware in Low-Resource Settings [45.62331048595689]
  低所得国では、貧弱な神経科医や高価な診断ツールのためにてんかんが診断されていない。 低コストのEEGハードウェアからてんかんを検出するためのグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-20T20:44:39Z)
• Microelectrode Signal Dynamics as Biomarkers of Subthalamic Nucleus Entry on Deep Brain Stimulation: A Nonlinear Feature Approach [0.0]
  本稿では、非線形力学とエントロピーに基づくメトリクスを利用して、STN内外から記録された神経活動の分類を行うフレームワークを提案する。 本研究は,DBS手術中におけるリアルタイム・データ駆動意思決定支援における非線形・エントロピー信号記述子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） (2025-06-14T23:23:26Z)
• Brain2Vec: A Deep Learning Framework for EEG-Based Stress Detection Using CNN-LSTM-Attention [0.0]
  Brain2Vecは、生の脳波記録からストレス状態を分類する新しいディープラーニングツールだ。 これらの結果は、Brain2Vecがウェアラブルストレス監視プラットフォームとパーソナライズされたヘルスケアシステムに統合される可能性を示している。
  論文  参考訳（メタデータ） (2025-06-12T12:57:19Z)
• 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)
• emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography [47.160223334501126]
  emg2qwertyは、QWERTYキーボードでタッチ入力しながら手首に記録された非侵襲的筋電図信号の大規模なデータセットである。 1,135のセッションが108ユーザと346時間の録画にまたがっており、これまでで最大の公開データセットである。 sEMG信号のみを用いたキープレッシャの予測において,高いベースライン性能を示す。
  論文  参考訳（メタデータ） (2024-10-26T05:18:48Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN [3.8791511769387625]
  不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。 提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。 以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-06T13:26:29Z)
• A Deep Learning Network for the Classification of Intracardiac Electrograms in Atrial Tachycardia [4.62891362095648]
  心房頻拍に対するカテーテルアブレーション治療の成功を可能にする重要な技術は,アクティベーションマッピングである。 これは、分数化信号の信号活性化ピークを特定するのが困難であるため、時間を要する、エラーを起こしやすい手順である。 本研究では,EMG信号の自動分類を3つのタイプに分類するディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-06-02T09:56:27Z)
• Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
  1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。 残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。 分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
  論文  参考訳（メタデータ） (2020-03-25T02:28:04Z)

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。