論文の概要: Rewiring Human Brain Networks via Lightweight Dynamic Connectivity Framework: An EEG-Based Stress Validation

• arxiv url: http://arxiv.org/abs/2511.05505v1
• Date: Fri, 17 Oct 2025 13:21:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-16 06:38:30.998631
• Title: Rewiring Human Brain Networks via Lightweight Dynamic Connectivity Framework: An EEG-Based Stress Validation
• Title（参考訳）: 軽量ダイナミックコネクティビティフレームワークによる人間の脳ネットワークのリライト:脳波に基づくストレス検証
• Authors: Sayantan Acharya, Abbas Khosravi, Douglas Creighton, Roohallah Alizadehsani, U. Rajendra Acharya,
• Abstract要約: 本研究では,時間変化指向伝達関数に基づく軽量な動的脳結合フレームワークを提案する。 TV DTFは、異なる周波数帯域にわたる脳領域間の方向情報の流れを推定する。 テレビDTFの特徴はMLに基づくストレス分類によって検証された。
• 参考スコア（独自算出の注目度）: 13.302044617776263
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, Electroencephalographic analysis has gained prominence in stress research when combined with AI and Machine Learning models for validation. In this study, a lightweight dynamic brain connectivity framework based on Time Varying Directed Transfer Function is proposed, where TV DTF features were validated through ML based stress classification. TV DTF estimates the directional information flow between brain regions across distinct EEG frequency bands, thereby capturing temporal and causal influences that are often overlooked by static functional connectivity measures. EEG recordings from the 32 channel SAM 40 dataset were employed, focusing on mental arithmetic task trials. The dynamic EEG-based TV-DTF features were validated through ML classifiers such as Support Vector Machine, Random Forest, Gradient Boosting, Adaptive Boosting, and Extreme Gradient Boosting. Experimental results show that alpha-TV-DTF provided the strongest discriminative power, with SVM achieving 89.73% accuracy in 3-class classification and with XGBoost achieving 93.69% accuracy in 2 class classification. Relative to absolute power and phase locking based functional connectivity features, alpha TV DTF and beta TV DTF achieved higher performance across the ML models, highlighting the advantages of dynamic over static measures. Feature importance analysis further highlighted dominant long-range frontal parietal and frontal occipital informational influences, emphasizing the regulatory role of frontal regions under stress. These findings validate the lightweight TV-DTF as a robust framework, revealing spatiotemporal brain dynamics and directional influences across different stress levels.
• Abstract（参考訳）: 近年、脳波解析は、AIモデルと機械学習モデルを組み合わせることで、ストレス研究で注目されている。 本研究では,テレビDTFの特徴をMLに基づくストレス分類によって検証し,時間バリアリング指向伝達関数に基づく軽量な動的脳波接続フレームワークを提案する。 TV DTFは、異なる脳波周波数帯にわたる脳領域間の方向情報の流れを推定し、静的な機能的接続手段によって見落とされがちな時間的・因果的な影響を捉える。 32チャンネルのSAM 40データセットからの脳波記録が採用され、メンタル・算術的タスク・トライアルに焦点が当てられた。 動的EEGベースのTV-DTF機能は、Support Vector Machine、Random Forest、Gradient Boosting、Adaptive Boosting、Extreme Gradient BoostingといったML分類器を通じて検証された。 実験の結果、α-TV-DTFは3クラス分類では89.73%、XGBoostは93.69%の精度で2クラス分類では最強の識別力を示した。 絶対電力と位相ロックに基づく機能接続機能とは対照的に、アルファTV DTFとベータTV DTFはMLモデル全体で高い性能を達成し、静的測度よりもダイナミックな利点を強調した。 また,前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前野情報の影響が強調され,前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前頭前下前頭前頭前頭前前頭前頭前頭前前頭前前前前頭前頭前頭前頭前頭前頭前前前頭前頭前頭前前前頭前前前前 これらの結果は, 軽量TV-DTFを強靭な枠組みとして検証し, 時空間脳波とストレスレベルによる方向性の影響を明らかにした。

関連論文リスト

• Advancing Mental Disorder Detection: A Comparative Evaluation of Transformer and LSTM Architectures on Social Media [0.16385815610837165]
  本研究では,Long Short-Term Memory (LSTM) に基づくアプローチに対して,最先端のトランスフォーマーモデルの総合評価を行う。 Redditのメンタルヘルス障害分類のためのテキスト埋め込み技術を用いて,大規模な注釈付きデータセットを構築した。 実験により,従来のディープラーニングモデルよりもトランスフォーマーモデルの方が優れた性能を示した。
  論文  参考訳（メタデータ） (2025-07-17T04:58:31Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• FreqDGT: Frequency-Adaptive Dynamic Graph Networks with Transformer for Cross-subject EEG Emotion Recognition [1.9198890060313585]
  クロスオブジェクトの一般化は、個人の多様性、認知的特徴、感情的な反応による課題である。 本稿では,周波数適応型動的グラフ変換器FreqDGTを提案する。 FreqDGTは、周波数適応性、空間力学、時間階層モデリングの統合の有効性を確認することにより、物体間感情認識の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-06-28T08:18:05Z)
• Cross-Modality Investigation on WESAD Stress Classification [0.0]
  本研究では、WESADデータセットを用いたストレス検出のためのトランスフォーマーモデル、心電図(ECG)、心電図(EDA)、筋電図(EMG)、呼吸速度(RESP)、温度(TEMP)、3軸加速度計(ACC)信号のトレーニングを開発した。 その結果, 単モード変圧器による生理的信号の解析, 精度, 精度およびリコール値が99.73%$から99.95%$の範囲で達成された。
  論文  参考訳（メタデータ） (2025-02-26T01:04:58Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• Latent Alignment with Deep Set EEG Decoders [44.128689862889715]
  本稿では,脳波伝達学習大会のベンチマークで優勝した潜在アライメント手法を紹介する。 我々は,その定式化を,与えられた被験者の試行セットに適用したディープセットとして提示する。 実験の結果,深層学習モデルにおける後段の統計的分布アライメントの実行は,分類精度に有益であることが示唆された。
  論文  参考訳（メタデータ） (2023-11-29T12:40:45Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• An Evaluation of the EEG alpha-to-theta and theta-to-alpha band Ratios as Indexes of Mental Workload [2.741266294612776]
  多くの研究では、脳波帯、特にアルファバンドとテータバンドが認知負荷指標として有用であることが示されている。 本研究の目的は,アルファ・トゥ・セタとテータ・トゥ・アルファ・バンドの比率が,自己申告された精神労働負荷の知覚を識別できるモデルの作成に与える影響を評価・分析することである。
  論文  参考訳（メタデータ） (2022-02-22T14:52:50Z)

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。