論文の概要: Hybrid Pipeline SWD Detection in Long-Term EEG Signals

• arxiv url: http://arxiv.org/abs/2509.19387v1
• Date: Mon, 22 Sep 2025 02:45:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.534794
• Title: Hybrid Pipeline SWD Detection in Long-Term EEG Signals
• Title（参考訳）: 長期脳波信号におけるハイブリッドパイプラインSWD検出
• Authors: Antonio Quintero Rincon, Nicolas Masino, Veronica Marsico, Hadj Batatia,
• Abstract要約: スパイク・アンド・ウェーブ放電(英: Spike-and-wave discharges、SWDs)は、脳波によるてんかんの徴候である。 本稿では、分析機能を浅層ニューラルネットワーク(ANN)に結合して、患者固有のSWD検出を行う軽量ハイブリッド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: Spike-and-wave discharges (SWDs) are the electroencephalographic hallmark of absence epilepsy, yet their manual identification in multi-day recordings remains labour-intensive and error-prone. We present a lightweight hybrid pipeline that couples analytical features with a shallow artificial neural network (ANN) for accurate, patient-specific SWD detection in long-term, monopolar EEG. A two-sided moving-average (MA) filter first suppresses the high-frequency components of normal background activity. The residual signal is then summarised by the mean and the standard deviation of its normally distributed samples, yielding a compact, two-dimensional feature vector for every 20s window. These features are fed to a single-hidden-layer ANN trained via back-propagation to classify each window as SWD or non-SWD. The method was evaluated on 780 channels sampled at 256 Hz from 12 patients, comprising 392 annotated SWD events. It correctly detected 384 events (sensitivity: 98%) while achieving a specificity of 96.2 % and an overall accuracy of 97.2%. Because feature extraction is analytic, and the classifier is small, the pipeline runs in real-time and requires no manual threshold tuning. These results indicate that normal-distribution descriptors combined with a modest ANN provide an effective and computationally inexpensive solution for automated SWD screening in extended EEG recordings.
• Abstract（参考訳）: スパイク・アンド・ウェーブ放電(SWDs)は、脳波によるてんかんの徴候であるが、多日間の録音における手動の同定は、労働集約的でエラーを起こしやすいままである。 本稿では,分析機能を浅層ニューラルネットワーク(ANN)と組み合わせて,長期の単極性脳波における患者固有のSWD検出を行う軽量ハイブリッドパイプラインを提案する。 両面移動平均フィルタ(MA)は、まず、通常のバックグラウンドアクティビティの高周波成分を抑圧する。 その後、残留信号は平均値と標準偏差によって要約され、20sウィンドウ毎にコンパクトな2次元特徴ベクトルが得られる。 これらの特徴は、バックプロパゲーションによってトレーニングされた単一階層のANNに供給され、各ウィンドウをSWDまたは非SWDに分類する。 392件のSWDイベントを含む12例の256Hzの780チャンネルで評価した。 384件(感度:98%)を正確に検出し、96.2%、全体的な精度は97.2%であった。 特徴抽出は解析的であり、分類器は小さいため、パイプラインはリアルタイムで動作し、手動のしきい値調整を必要としない。 これらの結果から, 正規分布ディスクリプタと控えめなANNを組み合わせることで, 脳波記録におけるSWD自動スクリーニングに有効な, 計算コストのかかるソリューションが得られることが示唆された。

関連論文リスト

• Noisy Test-Time Adaptation in Vision-Language Models [73.14136220844156]
  テスト時間適応(TTA)は、テスト中のターゲットデータのみに依存することにより、ソースデータとターゲットデータの分散シフトに対処することを目的としている。 本稿では、ゼロショット方式で、テスト時にノイズのあるサンプルをターゲットとするデータにモデルを適応させることに焦点を当てたゼロショットノイズTTA(ZS-NTTA)を提案する。 本稿では, 冷凍機の出力を擬似ラベルとして利用し, ノイズ検出器の訓練を行う適応ノイズ検出器(AdaND)を提案する。
  論文  参考訳（メタデータ） (2025-02-20T14:37:53Z)
• MC-QDSNN: Quantized Deep evolutionary SNN with Multi-Dendritic Compartment Neurons for Stress Detection using Physiological Signals [1.474723404975345]
  本研究では,時系列データの効率的な処理の代替手段として,MCLeaky(Multi-Compartment Leaky)ニューロンを提案する。 提案したMCLeakyニューロンに基づくスパイキングニューラルネットワークモデルとその量子化モデルは、最先端(SOTA)スパイキングLSTMに対してベンチマークされた。 その結果、MCLeaky活性化ニューロンを持つネットワークは、98.8%の精度でストレスを検出することができた。
  論文  参考訳（メタデータ） (2024-10-07T12:48:03Z)
• Entropy-based machine learning model for diagnosis and monitoring of Parkinson's Disease in smart IoT environment [0.0]
  Fuzzy Entropy は rs-EEG を用いたPD の診断とモニタリングにおいて最善を尽くした。 機能が少ないため,最大分類精度(ARKF)は99.9%であった。 低いパフォーマンスのスマートMLセンサはIoT環境で使用することができ、PDに対する人間のレジリエンスを高めることができる。
  論文  参考訳（メタデータ） (2023-08-28T08:20:57Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• 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)
• A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT Sensors [3.2116198597240846]
  本稿では,ウェアラブルデバイスから取得した心電図(ECG)信号から呼吸時無呼吸検出のための新しい手法を提案する。 この新しさは、秒単位の高分解能の無呼吸検出に起因している。 このモデルはいくつかの低分解能アパネ検出法より優れる。
  論文  参考訳（メタデータ） (2021-05-02T18:35:57Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。