論文の概要: Personalization on a Budget: Minimally-Labeled Continual Learning for Resource-Efficient Seizure Detection

• arxiv url: http://arxiv.org/abs/2509.13974v1
• Date: Wed, 17 Sep 2025 13:47:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.855075
• Title: Personalization on a Budget: Minimally-Labeled Continual Learning for Resource-Efficient Seizure Detection
• Title（参考訳）: 予算のパーソナライズ:資源効率の良い清水検知のための最小ラベル連続学習
• Authors: Amirhossein Shahbazinia, Jonathan Dan, Jose A. Miranda, Giovanni Ansaloni, David Atienza,
• Abstract要約: 本稿では,ディープラーニングを用いたてんかん発作の自動検出について検討する。 Epiは、患者固有の脳波信号に漸進的に適応するための継続的な学習フレームワークである。 平均して、Epiはラベル付きデータの6.46分と1日6.28の更新しか必要とせず、ウェアラブルシステムにおけるリアルタイムデプロイメントに適している。
• 参考スコア（独自算出の注目度）: 3.587595102085769
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Epilepsy, a prevalent neurological disease, demands careful diagnosis and continuous care. Seizure detection remains challenging, as current clinical practice relies on expert analysis of electroencephalography, which is a time-consuming process and requires specialized knowledge. Addressing this challenge, this paper explores automated epileptic seizure detection using deep learning, focusing on personalized continual learning models that adapt to each patient's unique electroencephalography signal features, which evolve over time. Methods: In this context, our approach addresses the challenge of integrating new data into existing models without catastrophic forgetting, a common issue in static deep learning models. We propose EpiSMART, a continual learning framework for seizure detection that uses a size-constrained replay buffer and an informed sample selection strategy to incrementally adapt to patient-specific electroencephalography signals. By selectively retaining high-entropy and seizure-predicted samples, our method preserves critical past information while maintaining high performance with minimal memory and computational requirements. Results: Validation on the CHB-MIT dataset, shows that EpiSMART achieves a 21% improvement in the F1 score over a trained baseline without updates in all other patients. On average, EpiSMART requires only 6.46 minutes of labeled data and 6.28 updates per day, making it suitable for real-time deployment in wearable systems. Conclusion:EpiSMART enables robust and personalized seizure detection under realistic and resource-constrained conditions by effectively integrating new data into existing models without degrading past knowledge. Significance: This framework advances automated seizure detection by providing a continual learning approach that supports patient-specific adaptation and practical deployment in wearable healthcare systems.
• Abstract（参考訳）: 目的: 神経疾患であるてんかんは、注意深い診断と継続的なケアを必要とする。 現在の臨床実践は、時間を要する専門知識を必要とする脳波の専門家分析に頼っているため、シーズール検出は依然として困難である。 この課題に対処するために、深層学習を用いたてんかん発作の自動検出について検討し、各患者の独自の脳波信号の特徴に適応するパーソナライズされた連続学習モデルに焦点を当てた。 メソッド: この文脈では、静的ディープラーニングモデルにおいて一般的な問題である破滅的な忘れをせずに、既存のモデルに新しいデータを統合するという課題に対処する。 患者固有の脳波信号に漸進的に適応するために,サイズ制限されたリプレイバッファと情報付きサンプル選択戦略を用いた発作検出のための連続学習フレームワークであるEpiSMARTを提案する。 提案手法は,高エントロピーおよび発作予測サンプルを選択的に保持することにより,メモリと計算の必要量を最小限に抑えながら,重要な過去の情報を保存する。 結果:CHB-MITデータセットによる検証の結果,EpiSMARTはF1スコアの21%向上を達成した。 平均して、EpiSMARTはラベル付きデータの6.46分と1日6.28の更新しか必要とせず、ウェアラブルシステムにおけるリアルタイムデプロイメントに適している。 結論:EpiSMARTは、過去の知識を劣化させることなく、既存のモデルに新しいデータを効果的に統合することにより、現実的でリソース制約のある条件下で堅牢でパーソナライズされた発作検出を可能にする。 意義: このフレームワークは、患者固有の適応とウェアラブル医療システムへの実践的展開をサポートする継続的学習アプローチを提供することにより、自動発作検出を向上する。

関連論文リスト

• EEG-Based Inter-Patient Epileptic Seizure Detection Combining Domain Adversarial Training with CNN-BiLSTM Network [1.9662978733004604]
  畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BiLSTM)を併用したドメイン逆行訓練の検知フレームワークを提案する。 局所てんかん20例の脳波記録による評価は,非逆行法よりも優れていた。 対人訓練と時間的モデリングの統合により、堅牢な患者間発作検出が可能となる。
  論文  参考訳（メタデータ） (2025-05-21T07:27:55Z)
• The use of Multi-domain Electroencephalogram Representations in the building of Models based on Convolutional and Recurrent Neural Networks for Epilepsy Detection [1.4785447770765987]
  てんかんは世界中で約5000万人に影響を与えており、治療は依然として困難である。 EEGデータは専門家間でのばらつきの傾向があり、自動化されたソリューションの必要性を強調している。 この研究は、時間、周波数、時間周波数領域でEEGデータに基づいてトレーニングされたディープニューラルネットワークを体系的に比較する。 その結果、周波数領域データは97%を超える検出基準を達成し、より正確で信頼性の高い発作検出システムのための堅牢な基盤を提供することが示された。
  論文  参考訳（メタデータ） (2025-04-24T19:50:48Z)
• Predicting Extubation Failure in Intensive Care: The Development of a Novel, End-to-End Actionable and Interpretable Prediction System [0.0]
  集中治療における排他的障害の予測は、複雑なデータと不正確な予測の重大な結果のために困難である。 機械学習は、臨床的な意思決定を改善することを約束するが、時間的患者の軌跡やモデル解釈可能性を考慮するのに失敗することが多い。 本研究では, 時相モデリング手法を用いて, エクスキュベーション故障の予測システムを構築することを目的とした。
  論文  参考訳（メタデータ） (2024-11-27T22:19:47Z)
• BUNDL: Bayesian Uncertainty-aware Deep Learning with Noisy training Labels for Seizure Detection in EEG [4.3152965872426625]
  Scalp EEGは高いノイズレベルに影響を受けやすいため、発作のタイミングや特徴の不正確なアノテーションにつながる。 本稿では,ラベル曖昧性の深層学習モデルを示す新しい統計フレームワークを提案する。 BUNDLはラベルの曖昧さに対処するために特別に設計されており、てんかん評価のための信頼性と信頼性のあるモデルのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2024-10-17T21:19:39Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• 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)
• VSViG: Real-time Video-based Seizure Detection via Skeleton-based Spatiotemporal ViG [8.100646331930953]
  正確なて効率的なてんかん発作検出は、患者に有益である。 従来の診断法は、主に脳波(EEG)に依存しており、しばしば困難で移植不可能な解決策をもたらす。 骨格型時間的視覚グラフニューラルネットワークを用いて,ビデオに基づく新しいシーズーア検出モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-24T15:07:29Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。