論文の概要: Adversarial Spatio-Temporal Attention Networks for Epileptic Seizure Forecasting

• arxiv url: http://arxiv.org/abs/2511.01275v1
• Date: Mon, 03 Nov 2025 06:48:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.144148
• Title: Adversarial Spatio-Temporal Attention Networks for Epileptic Seizure Forecasting
• Title（参考訳）: Epileptic Seizure予測のための対数時空間アテンションネットワーク
• Authors: Zan Li, Kyongmin Yeo, Wesley Gifford, Lara Marcuse, Madeline Fields, Bülent Yener,
• Abstract要約: 本稿では,脳の接続性や時間的神経力学をモデル化し,空間的時間的モジュールを交互に組み合わせたアテンションブロックを提案する。 連続した90分間の地震前モニタリングは、早期検出を可能にする学習された脳波の注意パターンを明らかにする。
• 参考スコア（独自算出の注目度）: 4.750750705838807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting epileptic seizures from multivariate EEG signals represents a critical challenge in healthcare time series prediction, requiring high sensitivity, low false alarm rates, and subject-specific adaptability. We present STAN, an Adversarial Spatio-Temporal Attention Network that jointly models spatial brain connectivity and temporal neural dynamics through cascaded attention blocks with alternating spatial and temporal modules. Unlike existing approaches that assume fixed preictal durations or separately process spatial and temporal features, STAN captures bidirectional dependencies between spatial and temporal patterns through a unified cascaded architecture. Adversarial training with gradient penalty enables robust discrimination between interictal and preictal states learned from clearly defined 15-minute preictal windows. Continuous 90-minute pre-seizure monitoring reveals that the learned spatio-temporal attention patterns enable early detection: reliable alarms trigger at subject-specific times (typically 15-45 minutes before onset), reflecting the model's capacity to capture subtle preictal dynamics without requiring individualized training. Experiments on two benchmark EEG datasets (CHB-MIT scalp: 8 subjects, 46 events; MSSM intracranial: 4 subjects, 14 events) demonstrate state-of-the-art performance: 96.6% sensitivity with 0.011 false detections per hour and 94.2% sensitivity with 0.063 false detections per hour, respectively, while maintaining computational efficiency (2.3M parameters, 45 ms latency, 180 MB memory) for real-time edge deployment. Beyond epilepsy, the proposed framework provides a general paradigm for spatio-temporal forecasting in healthcare and other time series domains where individual heterogeneity and interpretability are crucial.
• Abstract（参考訳）: 多変量脳波信号からてんかん発作を予知することは、高感度、偽アラーム率、主観固有の適応性を必要とする医療時系列予測において重要な課題である。 本稿では,空間的脳結合と時間的ニューラルダイナミクスを,空間的および時間的モジュールを交互に交互に結合してモデル化する,対向時空間注意ネットワークSTANを提案する。 固定された初期期間を仮定する既存のアプローチや、空間的および時間的特徴を別々に処理する既存のアプローチとは異なり、STANは、空間的および時間的パターン間の双方向の依存関係を、統一されたカスケードアーキテクチャによってキャプチャする。 勾配ペナルティによる逆行訓練は、明確に定義された15分前窓から学習した間欠的状態と前欠的状態の堅牢な識別を可能にする。 連続90分前の監視は、学習された時空間的注意パターンが早期発見を可能にすることを明らかにしている: 個別のトレーニングを必要とせず、微妙な先天的なダイナミクスを捉えることができるモデルの能力を反映した、被検者固有の時間(通常は15分から45分前)にトリガーする信頼性の高いアラーム。 2つのベンチマークEEGデータセット(CHB-MIT 頭皮:8件、46件、MSSM 頭蓋内:4件、14件)の実験では、リアルタイムエッジデプロイメントのための計算効率(2.3Mパラメータ、2.3Mパラメータ、45msレイテンシ、180MBメモリ)を維持しながら、96.6%の感度で0.011個の偽検出で、94.2%の感度でそれぞれ0.063個の偽検出で、最先端のパフォーマンスを示している。 エピレプシー以外にも、提案フレームワークは、個別の不均一性と解釈可能性が不可欠である医療や他の時系列領域において、時空間予測のための一般的なパラダイムを提供する。

関連論文リスト

• From Prototypes to Sparse ECG Explanations: SHAP-Driven Counterfactuals for Multivariate Time-Series Multi-class Classification [8.113866195465976]
  本稿では,12リードのECG分類モデルに適合したスパース対実的説明を生成するためのプロトタイプ駆動型フレームワークを提案する。 本手法では、SHAPに基づくしきい値を用いて、臨界信号セグメントを特定し、インターバルルールに変換する。 提案手法の3つの変種であるOriginal, Sparse, Aligned Sparseを評価し,MIの98.9%の妥当性からハイドロフィ(HYP)検出の課題まで,クラス固有の性能について検討した。
  論文  参考訳（メタデータ） (2025-10-22T12:09:50Z)
• MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction [50.74903497515021]
  セプシス(Sepsis)は、集中治療室(ICUs)の高死亡にともなう致命的な感染症である。 早期かつ正確な敗血症予測(SP)は、時間的介入には重要であるが、微妙な早期症状と急激な死亡率の増大により、依然として困難である。 本稿では,拡張された特徴ビューを構築するための多言語ビュー表現強化(MERE)機構と,時間的表現学習のためのCDTAモジュールを提案する。 提案したMEET-Sepsis フレームワークは,SOTA 法で要求される ICU モニタリング時間の 20% のみを用いて,競合予測の精度を実現し,大幅に向上した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:29Z)
• 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)
• SPIRIT: Low Power Seizure Prediction using Unsupervised Online-Learning and Zoom Analog Frontends [0.0]
  この研究はSPIRIT:Integrated RetrainingとIn situ accuracy Tuningを備えた8段階の予測器を提示する。 SPIRITは完全なシステムオンチップ(SoC)であり、教師なしのオンライン学習予測分類器を14.4 uW、0.057 mm2、90.5 dBのダイナミックレンジ、Zoom Analog Frontendsと統合している。 オンライン学習アルゴリズムにより、予測精度は最大15%向上し、予測時間は最大7倍向上する。
  論文  参考訳（メタデータ） (2024-09-07T14:30:14Z)
• 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)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• 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。