論文の概要: Seizure-NGCLNet: Representation Learning of SEEG Spatial Pathological Patterns for Epileptic Seizure Detection via Node-Graph Dual Contrastive Learning

• arxiv url: http://arxiv.org/abs/2512.02028v1
• Date: Wed, 19 Nov 2025 01:33:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.41906
• Title: Seizure-NGCLNet: Representation Learning of SEEG Spatial Pathological Patterns for Epileptic Seizure Detection via Node-Graph Dual Contrastive Learning
• Title（参考訳）: Seizure-NGCLNet:Node-Graph Dual Contrastive Learningによるてんかん性精液検出のためのSEEG空間病理パターンの表現学習
• Authors: Yiping Wang, Peiren Wang, Zhenye Li, Fang Liu, Jinguo Huang,
• Abstract要約: 薬物耐性てんかん(DRE)発作検出の精度は複雑である。 本稿では,SEEGの相互抑制と信号伝達パターンを学習するためのノードグラフ二重コントラスト学習フレームワークであるSezure-NGCLNetを提案する。 最新の技術性能は, 平均精度95.93%, 感度96.25%, 特異性94.12%である。
• 参考スコア（独自算出の注目度）: 6.0084265792882166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex spatial connectivity patterns, such as interictal suppression and ictal propagation, complicate accurate drug-resistant epilepsy (DRE) seizure detection using stereotactic electroencephalography (SEEG) and traditional machine learning methods. Two critical challenges remain:(1)a low signal-to-noise ratio in functional connectivity estimates, making it difficult to learn seizure-related interactions; and (2)expert labels for spatial pathological connectivity patterns are difficult to obtain, meanwhile lacking the patterns' representation to improve seizure detection. To address these issues, we propose a novel node-graph dual contrastive learning framework, Seizure-NGCLNet, to learn SEEG interictal suppression and ictal propagation patterns for detecting DRE seizures with high precision. First, an adaptive graph augmentation strategy guided by centrality metrics is developed to generate seizure-related brain networks. Second, a dual-contrastive learning approach is integrated, combining global graph-level contrast with local node-graph contrast, to encode both spatial structural and semantic epileptogenic features. Third, the pretrained embeddings are fine-tuned via a top-k localized graph attention network to perform the final classification. Extensive experiments on a large-scale public SEEG dataset from 33 DRE patients demonstrate that Seizure-NGCLNet achieves state-of-the-art performance, with an average accuracy of 95.93%, sensitivity of 96.25%, and specificity of 94.12%. Visualizations confirm that the learned embeddings clearly separate ictal from interictal states, reflecting suppression and propagation patterns that correspond to the clinical mechanisms. These results highlight Seizure-NGCLNet's ability to learn interpretable spatial pathological patterns, enhancing both seizure detection and seizure onset zone localization.
• Abstract（参考訳）: 薬物抵抗性てんかん (DRE) 発作検出は, 定位脳波(SEEG) と従来の機械学習手法を用いて複雑に行う。 1) 機能的接続推定における信号対雑音比の低さ, 発作関連相互作用の学習が困難であること, (2) 空間病理学的接続パターンの専門ラベルの取得が困難であること, パターンの表現が欠如していること, 発作検出を改善すること, などの2つの重要な課題が残されている。 これらの課題に対処するため,新しいノードグラフ二重コントラスト学習フレームワークSezure-NGCLNetを提案する。 まず、集中度指標によって導かれる適応グラフ増強戦略を開発し、発作関連脳ネットワークを生成する。 第二に,グローバルグラフレベルのコントラストと局所ノードグラフのコントラストを組み合わせて,空間的構造的特徴と意味的エピテプティクス的特徴の両方を符号化する,二重コントラスト学習アプローチが統合される。 第三に、事前訓練された埋め込みは、最終分類を行うためにトップk局所化グラフアテンションネットワークを介して微調整される。 33人のDRE患者による大規模公開SEEGデータセットの大規模な実験により、セイズールNGCLNetは、平均精度95.93%、感度96.25%、特異性94.12%で最先端のパフォーマンスを達成した。 可視化は、学習した埋め込みが、臨床メカニズムに対応する抑制と伝播パターンを反映して、結晶間状態と明確に分離していることを確認する。 以上の結果から,Seizure-NGCLNetが解釈可能な空間病理パターンを学習し,発作検出と発作発生領域の局所化を両立させることが示唆された。

関連論文リスト

• Hierarchical Attention for Sparse Volumetric Anomaly Detection in Subclinical Keratoconus [0.0]
  階層型アテンションモデルは2D, 3D CNN, ViTの双方のパフォーマンスを上回り, より優れたパラメータ効率の帰納バイアスを与えることを示す。 力学解析により、この利点は正確な空間スケールアライメントに由来することが判明した。 その結果,将来的なボリューム異常検出システムの設計指針が得られた。
  論文  参考訳（メタデータ） (2025-12-03T01:20:13Z)
• 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)
• BUNDL: Bayesian Uncertainty-aware Deep Learning with Noisy training Labels for Seizure Detection in EEG [4.3152965872426625]
  Scalp EEGは高いノイズレベルに影響を受けやすいため、発作のタイミングや特徴の不正確なアノテーションにつながる。 本稿では,ラベル曖昧性の深層学習モデルを示す新しい統計フレームワークを提案する。 BUNDLはラベルの曖昧さに対処するために特別に設計されており、てんかん評価のための信頼性と信頼性のあるモデルのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2024-10-17T21:19:39Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• 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)
• Interpreting Deep Learning Models for Epileptic Seizure Detection on EEG signals [4.748221780751802]
  ディープラーニング(DL)は、しばしば人工知能ベースの医療意思決定支援の最先端とみなされます。 臨床現場では未だに実装されており、ニューラルネットワークモデルの解釈能力が不十分なため、臨床医の信頼は低い。 脳波信号に基づくてんかん発作のオンライン検出の文脈で解釈可能なDLモデルを開発することでこの問題に対処した。
  論文  参考訳（メタデータ） (2020-12-22T11:10:23Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Epileptic Seizure Classification with Symmetric and Hybrid Bilinear Models [20.376912072606412]
  本稿では, 難治性てんかんの診断に応用したハイブリッドバイリニア深層学習ネットワークを提案する。 診断の精度は、医療症状の重複、様々な経験のレベル、および臨床専門職間の多様性によっても複雑である。
  論文  参考訳（メタデータ） (2020-01-15T03:22:10Z)

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。