論文の概要: IEFS-GMB: Gradient Memory Bank-Guided Feature Selection Based on Information Entropy for EEG Classification of Neurological Disorders

• arxiv url: http://arxiv.org/abs/2509.15259v1
• Date: Thu, 18 Sep 2025 08:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.827169
• Title: IEFS-GMB: Gradient Memory Bank-Guided Feature Selection Based on Information Entropy for EEG Classification of Neurological Disorders
• Title（参考訳）: IEFS-GMB:脳波による神経障害の分類のための情報エントロピーに基づくグラディエントメモリバンク型特徴選択
• Authors: Liang Zhang, Hanyang Dong, Jia-Hong Gao, Yi Sun, Kuntao Xiao, Wanli Yang, Zhao Lv, Shurong Sheng,
• Abstract要約: グラディエントメモリバンクで案内される情報エントロピーに基づく特徴選択手法であるIEFS-GMBを提案する。 IEFS-GMBで拡張されたエンコーダは,ベースラインモデルよりも0.64%から6.45%の精度向上を実現している。 また、4つの競合するFS技術より優れ、モデルの解釈性が向上し、臨床現場での実用性も向上する。
• 参考スコア（独自算出の注目度）: 15.36438959631481
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based EEG classification is crucial for the automated detection of neurological disorders, improving diagnostic accuracy and enabling early intervention. However, the low signal-to-noise ratio of EEG signals limits model performance, making feature selection (FS) vital for optimizing representations learned by neural network encoders. Existing FS methods are seldom designed specifically for EEG diagnosis; many are architecture-dependent and lack interpretability, limiting their applicability. Moreover, most rely on single-iteration data, resulting in limited robustness to variability. To address these issues, we propose IEFS-GMB, an Information Entropy-based Feature Selection method guided by a Gradient Memory Bank. This approach constructs a dynamic memory bank storing historical gradients, computes feature importance via information entropy, and applies entropy-based weighting to select informative EEG features. Experiments on four public neurological disease datasets show that encoders enhanced with IEFS-GMB achieve accuracy improvements of 0.64% to 6.45% over baseline models. The method also outperforms four competing FS techniques and improves model interpretability, supporting its practical use in clinical settings.
• Abstract（参考訳）: 深層学習に基づく脳波分類は、神経疾患の自動検出、診断精度の向上、早期介入の実現に不可欠である。 しかし、脳波信号の低信号対雑音比はモデル性能を制限し、ニューラルネットワークエンコーダが学習した表現の最適化に特徴選択(FS)が不可欠である。 既存のFSメソッドは、EEGの診断に特化して設計されることはめったにない。 さらに、ほとんどの場合シングルイテレーションデータに依存しており、可変性に制限されたロバスト性をもたらす。 これらの問題に対処するため、グラディエントメモリバンクが案内する情報エントロピーに基づく特徴選択手法であるIEFS-GMBを提案する。 このアプローチは、履歴勾配を記憶した動的メモリバンクを構築し、情報エントロピーを用いて特徴重要度を計算し、エントロピーに基づく重み付けを適用して情報的脳波特徴を選択する。 4つの公開神経疾患データセットの実験により、IEFS-GMBで強化されたエンコーダは、ベースラインモデルよりも0.64%から6.45%の精度向上を達成した。 また、4つの競合するFS技術より優れ、モデルの解釈性が向上し、臨床現場での実用性も向上する。

関連論文リスト

• 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)
• 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)
• 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)
• An Explainable Deep Learning-Based Method For Schizophrenia Diagnosis Using Generative Data-Augmentation [0.3222802562733786]
  脳波記録を用いた統合失調症の自動診断にディープラーニングを用いた手法を応用した。 このアプローチは、診断の精度を高める強力な手法である生成データ拡張を利用する。
  論文  参考訳（メタデータ） (2023-10-25T12:55:16Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• FingerFlex: Inferring Finger Trajectories from ECoG signals [68.8204255655161]
  FingerFlexモデル(FingerFlex model)は、脳波(ECoG)データに対する指の動きの回帰に適応した畳み込みエンコーダ・デコーダアーキテクチャである。 実測軌道と予測軌道の相関係数が最大0.74であるBCIコンペティションIVデータセット4で最先端の性能が達成された。
  論文  参考訳（メタデータ） (2022-10-23T16:26:01Z)
• Detection of Epileptic Seizures on EEG Signals Using ANFIS Classifier, Autoencoders and Fuzzy Entropies [9.861415775909663]
  脳波信号はてんかん発作の検出に広く用いられている。 本稿ではファジィ理論と深層学習技術を用いた新しい診断手法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T11:02:25Z)
• Neonatal seizure detection from raw multi-channel EEG using a fully convolutional architecture [1.8352113484137622]
  このアーキテクチャは、従来の機械学習ベースのソリューションで使われている最先端の手作業による特徴に基づく表現とは対照的に、生脳波(EEG)信号からの発作イベントを検出するように設計されている。 提案したアーキテクチャは、新生児脳波にディープラーニングを適用するための新たな道を開き、正確な臨床ラベルの入手に頼らずに、トレーニングデータの量の関数としての性能が向上する。
  論文  参考訳（メタデータ） (2021-05-28T14:08:36Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。