論文の概要: A Composable Channel-Adaptive Architecture for Seizure Classification

• arxiv url: http://arxiv.org/abs/2512.19123v1
• Date: Mon, 22 Dec 2025 07:57:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.663597
• Title: A Composable Channel-Adaptive Architecture for Seizure Classification
• Title（参考訳）: シーズーア分類のための構成可能なチャネル適応型アーキテクチャ
• Authors: Francesco Carzaniga, Michael Hersche, Kaspar Schindler, Abbas Rahimi,
• Abstract要約: 任意の数のチャネルで時系列をシームレスに処理できるチャネル適応型(CA)アーキテクチャを開発した。 発作検出タスクを短時間(20時間)と長期(2500時間)のデータセットで評価した。
• 参考スコア（独自算出の注目度）: 7.0214066512269
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: We develop a channel-adaptive (CA) architecture that seamlessly processes multi-variate time-series with an arbitrary number of channels, and in particular intracranial electroencephalography (iEEG) recordings. Methods: Our CA architecture first processes the iEEG signal using state-of-the-art models applied to each single channel independently. The resulting features are then fused using a vector-symbolic algorithm which reconstructs the spatial relationship using a trainable scalar per channel. Finally, the fused features are accumulated in a long-term memory of up to 2 minutes to perform the classification. Each CA-model can then be pre-trained on a large corpus of iEEG recordings from multiple heterogeneous subjects. The pre-trained model is personalized to each subject via a quick fine-tuning routine, which uses equal or lower amounts of data compared to existing state-of-the-art models, but requiring only 1/5 of the time. Results: We evaluate our CA-models on a seizure detection task both on a short-term (~20 hours) and a long-term (~2500 hours) dataset. In particular, our CA-EEGWaveNet is trained on a single seizure of the tested subject, while the baseline EEGWaveNet is trained on all but one. Even in this challenging scenario, our CA-EEGWaveNet surpasses the baseline in median F1-score (0.78 vs 0.76). Similarly, CA-EEGNet based on EEGNet, also surpasses its baseline in median F1-score (0.79 vs 0.74). Conclusion and significance: Our CA-model addresses two issues: first, it is channel-adaptive and can therefore be trained across heterogeneous subjects without loss of performance; second, it increases the effective temporal context size to a clinically-relevant length. Therefore, our model is a drop-in replacement for existing models, bringing better characteristics and performance across the board.
• Abstract（参考訳）: 目的: 任意の数のチャネルで多変量時系列をシームレスに処理するチャネル適応型(CA)アーキテクチャを開発し, 特に頭蓋内脳波(iEEG)記録について述べる。 方法: 当社のCAアーキテクチャはまず,各チャネルに適用した最先端モデルを用いて,iEEG信号を独立に処理する。 得られた特徴をベクトル記号アルゴリズムで融合し, トレーニング可能なスカラーチャネルを用いて空間関係を再構成する。 最後に、融合した特徴を最大2分間の長期記憶に蓄積して分類を行う。 それぞれのCA-モデルは、複数の異種被験者のiEEGレコードの大規模なコーパスで事前訓練することができる。 事前訓練されたモデルは、既存の最先端モデルと同等または低い量のデータを使用するクイック微調整ルーチンを通じて各被験者にパーソナライズされるが、その時間のうち1/5しか必要としない。 結果: 短期(約20時間)と長期(約2500時間)のデータセットを用いて, 発作検出タスクにおけるCAモデルの評価を行った。 特に、我々のCA-EEGWaveNetはテスト対象の単一発作でトレーニングされ、ベースラインのEEGWaveNetは1つを除いてトレーニングされています。 この挑戦的なシナリオでさえ、CA-EEGWaveNetは中央値F1スコア(0.78対0.76)のベースラインを超えています。 同様に、EEGNetに基づくCA-EEGNetも、中央値F1スコア(0.79対0.74)のベースラインを超えている。 結論と意義: このCAモデルでは, チャネル適応型であり, 性能の低下を伴わずに異質な被験者を訓練し, 有効時間的文脈を臨床的に関連した長さに拡張する。 したがって,本モデルは既存のモデルに取って代わるものであり,ボード全体の特性と性能が向上する。

関連論文リスト

• WaveNet's Precision in EEG Classification [1.0885910878567457]
  本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。 モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。 WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
  論文  参考訳（メタデータ） (2025-10-10T09:21:21Z)
• ALFEE: Adaptive Large Foundation Model for EEG Representation [17.166788472910806]
  本稿では,脳波信号表現(ALFEE)フレームワークのための適応大基礎モデルを提案する。 ALFEEは、堅牢な脳波表現学習のための2つの学習段階を持つ、新しいハイブリッドトランスフォーマーアーキテクチャである。 25,000時間の事前トレーニングの後、6つの下流脳波タスクに関する広範な実験結果が、既存のモデルよりもALFEEの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2025-05-07T13:32:31Z)
• WaveGNN: Modeling Irregular Multivariate Time Series for Accurate Predictions [3.489870763747715]
  実世界の時系列は、しばしば不整合タイムスタンプ、欠落したエントリ、可変サンプリングレートなどの不規則性を示す。 既存のアプローチは、しばしばバイアスを生じさせる計算に頼っている。 本稿では,不規則にサンプリングされた時系列データを埋め込んで正確な予測を行う新しいフレームワークWaveGNNを提案する。
  論文  参考訳（メタデータ） (2024-12-14T00:03:44Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• 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)
• Your representations are in the network: composable and parallel adaptation for large scale models [90.26965623489157]
  InCAは、事前訓練されたモデルの任意のアクティベーション層にクロスタッチするトランスファー学習の軽量な方法である。 InCAは,1つのトップスコーリングアダプタを選択しても,フル微調整に匹敵する性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-03-07T18:12:24Z)
• HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN [3.8791511769387625]
  不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。 提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。 以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-06T13:26:29Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)
• Deep transfer learning for improving single-EEG arousal detection [63.52264764099532]
  2つのデータセットは、単一のEEGモデルでパフォーマンスが低下する原因となる、まったく同じ設定を含んでいない。 単チャンネル脳波データのためのアーキテクチャを構築するために,ベースラインモデルをトレーニングし,最初の2層を置き換える。 細調整戦略を用いて,本モデルはベースラインモデルと同等の性能を示し,同等の単一チャネルモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-10T16:51:06Z)

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。