論文の概要: Spatio-Temporal Attention Network for Epileptic Seizure Prediction

• arxiv url: http://arxiv.org/abs/2511.02846v1
• Date: Fri, 24 Oct 2025 01:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-09 16:58:40.063014
• Title: Spatio-Temporal Attention Network for Epileptic Seizure Prediction
• Title（参考訳）: てんかん発作予測のための時空間注意ネットワーク
• Authors: Zan Li, Kyongmin Yeo, Wesley Gifford, Lara Marcuse, Madeline Fields, Bülent Yener,
• Abstract要約: 本稿では,脳波信号の複雑な時間的相関構造をS-Temporal Attention Network (STAN)を通して学習し,てんかん患者の発症発作の正確な予測を行う。 本フレームワークは、患者固有の窓が起動する少なくとも15分前の前立腺状態を45分以上確実に検出し、臨床応用に十分な介入時間を与える。
• 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: In this study, we present a deep learning framework that learns complex spatio-temporal correlation structures of EEG signals through a Spatio-Temporal Attention Network (STAN) for accurate predictions of onset of seizures for Epilepsy patients. Unlike existing methods, which rely on feature engineering and/or assume fixed preictal durations, our approach simultaneously models spatio-temporal correlations through STAN and employs an adversarial discriminator to distinguish preictal from interictal attention patterns, enabling patient-specific learning. Evaluation on CHB-MIT and MSSM datasets demonstrates 96.6\% sensitivity with 0.011/h false detection rate on CHB-MIT, and 94.2% sensitivity with 0.063/h FDR on MSSM, significantly outperforming state-of-the-art methods. The framework reliably detects preictal states at least 15 minutes before an onset, with patient-specific windows extending to 45 minutes, providing sufficient intervention time for clinical applications.
• Abstract（参考訳）: 本研究では,脳波信号の複雑な時空間相関構造をSTAN(Spatio-Temporal Attention Network)を用いて学習し,てんかん患者の発作発生の正確な予測を行う。 特徴工学および/または固定前置期間を仮定する既存の手法とは異なり,本手法はSTANを通して時空間相関を同時にモデル化し,対側識別器を用いて患者固有の学習を可能にする。 CHB-MITおよびMSSMデータセットの評価では、CHB-MITで0.011/hの誤検出率で96.6\%の感度、MSSMで0.063/hのFDRで94.2%の感度を示し、最先端の手法よりも大幅に優れていた。 このフレームワークは、発症の少なくとも15分前に、患者固有の窓を45分まで確実に検出し、臨床応用に十分な介入時間を与える。

関連論文リスト

• Adversarial Spatio-Temporal Attention Networks for Epileptic Seizure Forecasting [4.750750705838807]
  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。
  論文  参考訳（メタデータ） (2025-11-03T06:48:54Z)
• 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)
• Detection of high-frequency oscillations using time-frequency analysis [0.0]
  高周波発振(HFO)はてんかん原性ゾーンを同定するための新しいバイオマーカーである。 HFOの視覚的識別は、時間がかかり、労働集約的で主観的である。 我々は、リップル及び高速リップル周波数帯(80-500Hz)におけるHFOを検出する新しい方法を開発した。
  論文  参考訳（メタデータ） (2025-10-08T20:50:02Z)
• 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)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [46.56667527672019]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
  我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。 オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。 各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
  論文  参考訳（メタデータ） (2024-07-20T13:49:14Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。