論文の概要: A Unified Framework for EEG Seizure Detection Using Universum-Integrated Generalized Eigenvalues Proximal Support Vector Machine

• arxiv url: http://arxiv.org/abs/2512.21170v1
• Date: Wed, 24 Dec 2025 13:39:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.786278
• Title: A Unified Framework for EEG Seizure Detection Using Universum-Integrated Generalized Eigenvalues Proximal Support Vector Machine
• Title（参考訳）: 一般化固有値近位支持ベクトルマシンを用いた脳波シーズーア検出のための統一フレームワーク
• Authors: Yogesh Kumar, Vrushank Ahire, M. A. Ganaie,
• Abstract要約: 本稿では,脳波信号分類のための新しいUniversum-enhanced分類器を提案する。 提案したモデルは、非定常性、低信号-雑音比、ラベル付きデータといった脳波解析における重要な課題に対処する。 モデルは2つのバイナリ分類タスクにまたがってボン大学脳波データセットで評価される。
• 参考スコア（独自算出の注目度）: 5.725795684434675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The paper presents novel Universum-enhanced classifiers: the Universum Generalized Eigenvalue Proximal Support Vector Machine (U-GEPSVM) and the Improved U-GEPSVM (IU-GEPSVM) for EEG signal classification. Using the computational efficiency of generalized eigenvalue decomposition and the generalization benefits of Universum learning, the proposed models address critical challenges in EEG analysis: non-stationarity, low signal-to-noise ratio, and limited labeled data. U-GEPSVM extends the GEPSVM framework by incorporating Universum constraints through a ratio-based objective function, while IU-GEPSVM enhances stability through a weighted difference-based formulation that provides independent control over class separation and Universum alignment. The models are evaluated on the Bonn University EEG dataset across two binary classification tasks: (O vs S)-healthy (eyes closed) vs seizure, and (Z vs S)-healthy (eyes open) vs seizure. IU-GEPSVM achieves peak accuracies of 85% (O vs S) and 80% (Z vs S), with mean accuracies of 81.29% and 77.57% respectively, outperforming baseline methods.
• Abstract（参考訳）: 本稿では,脳波信号分類のためのユニバーサム一般化固有値プロキシサポートベクトルマシン (U-GEPSVM) と改良されたU-GEPSVM (IU-GEPSVM) を提案する。 一般化固有値分解の計算効率とUniversum Learningの一般化効果を用いて,非定常性,低信号-雑音比,限定ラベル付きデータといった脳波解析における重要な課題に対処する。 U-GEPSVMはGEPSVMフレームワークを拡張し、IU-GEPSVMはクラス分離とUniversumアライメントの独立制御を提供する重み付き差分ベースの定式化によって安定性を向上させる。 モデルは、(O vs S)-Healthy(目が閉じている)と(Z vs S)-Healthy(目が開いている)と、(Z vs S)-Healthy(目が開いている)の2つのバイナリ分類タスクで評価される。 IU-GEPSVM は 85% (O vs S) と80% (Z vs S) のピークアキュラティを達成し、それぞれ 81.29% と 77.57% のピークアキュラティを達成し、ベースライン法より優れている。

関連論文リスト

• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• Intuitionistic Fuzzy Generalized Eigenvalue Proximal Support Vector Machine [4.069144210024564]
  汎用固有値近位サポートベクトルマシン (GEPSVM) は、その単純なアーキテクチャ、高速実行、可読性性能により、広く注目を集めている。 直観的ファジィ一般化固有値近位支持ベクトルマシン(IF-GEPSVM)を提案する。 提案したIF-GEPSVMは、カーネル関数を用いて、その位置と高次元特徴空間の周囲に基づいて、各トレーニングサンプルに直観的ファジィスコアを割り当てる。
  論文  参考訳（メタデータ） (2024-08-03T08:49:23Z)
• Greedy based Value Representation for Optimal Coordination in Multi-agent Reinforcement Learning [64.05646120624287]
  LVDとMVDの結合Q値関数を導出する。 最適な整合性を確保するために、最適なノードは独自のSTNである必要がある。 本手法は,様々なベンチマーク実験において,最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-22T08:14:50Z)
• Towards Robust and Accurate Myoelectric Controller Design based on Multi-objective Optimization using Evolutionary Computation [0.22835610890984162]
  我々は、カーネル化されたSVM分類器を考慮し、エネルギー効率の良いEMGベースのコントローラを設計する手法を提案している。 EMGをベースとした制御器の最適化性能を達成するため,分類器設計の主な戦略は,システム全体の誤動作を低減することである。 エリート的多目的進化アルゴリズムの$-$は、非支配的なソート遺伝的アルゴリズムNSGA-II (Non-dominated sorting genetic algorithm II) であり、SVMのハイパーパラメータをチューニングするために使われている。
  論文  参考訳（メタデータ） (2022-04-02T06:13:01Z)
• Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
  サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。 我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。 このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
  論文  参考訳（メタデータ） (2021-02-23T20:22:56Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• 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。