論文の概要: Canonical Tail Dependence for Soft Extremal Clustering of Multichannel Brain Signals

• arxiv url: http://arxiv.org/abs/2512.06435v1
• Date: Sat, 06 Dec 2025 13:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.360276
• Title: Canonical Tail Dependence for Soft Extremal Clustering of Multichannel Brain Signals
• Title（参考訳）: 多チャンネル脳信号のソフト極端クラスタリングにおける標準爪依存性
• Authors: Mara Sherlin Talento, Jordan Richards, Raphael Huser, Hernando Ombao,
• Abstract要約: 分布の尾部における接続性は、その発生を識別するのに役立つ極端な事象の特徴を明らかにする。 そこで本手法は新生児の正確な周波数に基づくソフトクラスタリングに応用され, 発作を伴わない患者を区別する。
• 参考スコア（独自算出の注目度）: 2.752161714188676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a novel characterization of extremal dependence between two cortical regions of the brain when its signals display extremely large amplitudes. We show that connectivity in the tails of the distribution reveals unique features of extreme events (e.g., seizures) that can help to identify their occurrence. Numerous studies have established that connectivity-based features are effective for discriminating brain states. Here, we demonstrate the advantage of the proposed approach: that tail connectivity provides additional discriminatory power, enabling more accurate identification of extreme-related events and improved seizure risk management. Common approaches in tail dependence modeling use pairwise summary measures or parametric models. However, these approaches do not identify channels that drive the maximal tail dependence between two groups of signals -- an information that is useful when analyzing electroencephalography of epileptic patients where specific channels are responsible for seizure occurrences. A familiar approach in traditional signal processing is canonical correlation, which we extend to the tails to develop a visualization of extremal channel-contributions. Through the tail pairwise dependence matrix (TPDM), we develop a computationally-efficient estimator for our canonical tail dependence measure. Our method is then used for accurate frequency-based soft clustering of neonates, distinguishing those with seizures from those without.
• Abstract（参考訳）: 信号が極めて大きな振幅を示すとき,脳の2つの皮質領域間の極端依存性の新たな評価法を開発した。 分布の尾部における接続性は、異常事象(例えば発作)のユニークな特徴を明らかにし、それらの発生を識別するのに役立つことを示す。 多くの研究で、接続性に基づく特徴が脳の状態の識別に有効であることが確認されている。 ここでは、テール接続により識別能力が向上し、極端に関連する事象のより正確な識別が可能となり、発作リスク管理が向上する、というアプローチの利点を実証する。 テール依存モデリングにおける一般的なアプローチは、ペアワイズ・サマリー測度(英語版)またはパラメトリック・モデル(英語版)を用いる。 しかし、これらのアプローチでは、2つの信号群間の最大尾の依存性を駆動するチャネルは特定されていない。これはてんかんの発作の原因となるてんかん患者の脳波解析に有用である。 従来の信号処理における一般的なアプローチは、極端チャネル寄与の可視化を開発するために尾に拡張する正準相関である。 末尾方向依存行列 (TPDM) を用いて, 正規尾方向依存度測定のための計算効率の高い推定器を開発した。 そこで本手法は新生児の正確な周波数に基づくソフトクラスタリングに応用され, 発作を伴わない患者を区別する。

関連論文リスト

• Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
  我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。 本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。 本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-07T17:56:31Z)
• MVICAD2: Multi-View Independent Component Analysis with Delays and Dilations [61.59658203704757]
  本稿では,時間的遅延と拡張の両面において,被験者間でソースを異にするMVICAD(Multi-View Independent Component Analysis with Delays and Dilations)を提案する。 本稿では, 正則化と最適化手法を用いて, 性能向上を図るため, 正則化と最適化手法を用いて, その可能性の近似を導出する。
  論文  参考訳（メタデータ） (2025-01-13T15:47:02Z)
• Seizure detection from Electroencephalogram signals via Wavelets and Graph Theory metrics [1.62510160294292]
  てんかん(てんかん、英: epilepsy)は、てんかん発作が脳の異常、過剰、同期的な活動による過度な発生である、最も一般的な神経疾患の1つである。 脳波信号は、脳から放出され、分析され、てんかん発作の検出と予測に重要な役割を果たす。
  論文  参考訳（メタデータ） (2023-11-28T01:07:14Z)
• A U-turn on Double Descent: Rethinking Parameter Counting in Statistical Learning [68.76846801719095]
  二重降下がいつどこで起こるのかを正確に示し、その位置が本質的に閾値 p=n に結び付けられていないことを示す。 これは二重降下と統計的直観の間の緊張を解消する。
  論文  参考訳（メタデータ） (2023-10-29T12:05:39Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Spatio-temporally separable non-linear latent factor learning: an application to somatomotor cortex fMRI data [0.0]
  潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。 空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。 本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-26T21:30:22Z)
• Learning latent causal relationships in multiple time series [0.0]
  多くの系では、因果関係は観測データに線形混合として表される潜在空間に埋め込まれる。 潜伏源を盲目的に識別する手法を提示する。 提案手法は教師なしで、任意の時系列に容易に適用でき、データの背後にある因果関係に光を当てることができる。
  論文  参考訳（メタデータ） (2022-03-21T00:20:06Z)
• Bayesian Regularization for Functional Graphical Models [0.0]
  グラフィカルモデルを推定するための完全ベイズ正規化スキームを提案する。 その結果、脳が損傷後に切断されたネットワークを補う方法の洞察が得られます。
  論文  参考訳（メタデータ） (2021-10-11T19:33:07Z)
• EEG Signal Processing using Wavelets for Accurate Seizure Detection through Cost Sensitive Data Mining [2.7907613804877283]
  本稿では,アセプション検出のためのウェーブレットの特性に依存するアプローチを提案する。 我々は、信号ノイズを低減するために、最大オーバーラップ離散ウェーブレット変換を利用する。 我々は、再構成されたノイズ低減信号、電極接続、情報伝達の効率から導かれる基本的統計パラメータを用いて属性空間を構築する。
  論文  参考訳（メタデータ） (2021-09-22T01:40:51Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。