論文の概要: PaperNet: Efficient Temporal Convolutions and Channel Residual Attention for EEG Epilepsy Detection

• arxiv url: http://arxiv.org/abs/2512.22172v1
• Date: Wed, 17 Dec 2025 17:05:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-04 08:45:17.092428
• Title: PaperNet: Efficient Temporal Convolutions and Channel Residual Attention for EEG Epilepsy Detection
• Title（参考訳）: PaperNet:脳波てんかん検出のための効率的な時間的畳み込みとチャネル残留注意
• Authors: Md Shahriar Sajid, Abhijit Kumar Ghosh, Fariha Nusrat,
• Abstract要約: PaperNetは、時間的畳み込み、チャンネルワイド・アテンション・モジュール、および軽量な双方向リカレント・ブロックを組み合わせた、コンパクトなハイブリッド・アーキテクチャである。 約0.6Mパラメータを持つホールトアウトテストセット上で0.96のマクロF1を達成し、4つのクラスでバランスの取れたパフォーマンスを維持する。
• 参考スコア（独自算出の注目度）: 0.2676349883103403
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electroencephalography (EEG) signals contain rich temporal-spectral structure but are difficult to model due to noise, subject variability, and multi-scale dynamics. Lightweight deep learning models have shown promise, yet many either rely solely on local convolutions or require heavy recurrent modules. This paper presents PaperNet, a compact hybrid architecture that combines temporal convolutions, a channel-wise residual attention module, and a lightweight bidirectional recurrent block which is used for short-window classification. Using the publicly available BEED: Bangalore EEG Epilepsy Dataset, we evaluate PaperNet under a clearly defined subject-independent training protocol and compare it against established and widely used lightweight baselines. The model achieves a macro-F1 of 0.96 on the held-out test set with approximately 0.6M parameters, while maintaining balanced performance across all four classes. An ablation study demonstrates the contribution of temporal convolutions, residual attention, and recurrent aggregation. Channel-wise attention weights further offer insights into electrode relevance. Computational profiling shows that PaperNet remains efficient enough for practical deployment on resource-constrained systems through out the whole process. These results indicate that carefully combining temporal filtering, channel reweighting, and recurrent context modeling can yield strong EEG classification performance without excessive computational cost.
• Abstract（参考訳）: 脳波(EEG)信号は、時間スペクトル構造が豊富であるが、ノイズ、被写体変動性、マルチスケールダイナミクスによりモデル化が困難である。 軽量なディープラーニングモデルは将来性を示しているが、多くはローカルな畳み込みにのみ依存するか、重い繰り返しモジュールを必要とする。 本稿では,時間的畳み込みとチャネルワイドアテンション・アテンション・モジュールと,ショートウインドウ分類に使用される軽量な双方向再帰ブロックを組み合わせた,コンパクトなハイブリッドアーキテクチャPaperNetを提案する。 一般に公開されているBEED: Bangalore EEG Epilepsy Datasetを用いて、PaperNetを、明確に定義された主題に依存しないトレーニングプロトコルで評価し、確立された、広く使用されている軽量ベースラインと比較する。 このモデルは、約0.6Mパラメータを持つホールトアウトテストセット上で0.96のマクロF1を達成し、4つのクラスでバランスの取れた性能を維持している。 アブレーション研究は、時間的畳み込み、残留注意、反復集約の寄与を示す。 チャネルワイドの重み付けは、さらに電極の関連性に関する洞察を与える。 計算プロファイリングにより、PaperNetはプロセス全体を通してリソースに制約のあるシステムに実際にデプロイするのに十分な効率を保っています。 これらの結果は、時間的フィルタリング、チャネル再重み付け、繰り返しコンテキストモデリングを慎重に組み合わせることで、過剰な計算コストを伴わずに強い脳波分類性能が得られることを示唆している。

関連論文リスト

• Efficiency vs. Fidelity: A Comparative Analysis of Diffusion Probabilistic Models and Flow Matching on Low-Resource Hardware [0.0]
  Denoising Diffusion Probabilistic Models (DDPMs) は、生成画像合成における新しい最先端技術を確立した。 本研究では,新たなフローマッチングパラダイムに対するDDPMの比較分析を行った。
  論文  参考訳（メタデータ） (2025-11-24T18:19:42Z)
• Graph Unlearning Meets Influence-aware Negative Preference Optimization [45.33243345077153]
  本稿では,textbfInfluenceを意識した textbfNegative textbfPreference textbfOptimization framework である textbfINPO を紹介する。 我々はまず,NPOの発散速度が遅いことを解析し,非学習的な高影響エッジが非学習の影響を低減することを理論的に提案する。 5つの実世界のデータセットで実施された実験は、INPOベースのモデルがすべての品質指標に対して最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-10-22T11:18:00Z)
• A Hybrid PCA-PR-Seq2Seq-Adam-LSTM Framework for Time-Series Power Outage Prediction [5.657115189763182]
  本稿では,PCA-PR-Seq2Seq-Adam-LSTMと呼ばれるハイブリッドディープラーニングフレームワークを提案する。 主成分分析(PCA)、Poisson Regression(PR)、Sequence-to-Sequence(Seq2Seq)アーキテクチャ、Adam-Optimized LSTMを統合している。 その結果,提案手法は既存手法と比較して予測精度とロバスト性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-09-20T17:13:25Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Euler State Networks: Non-dissipative Reservoir Computing [3.55810827129032]
  我々はEuSN(Euler State Network)と呼ばれる新しいReservoir Computing(RC)モデルを提案する。 我々の数学的解析は、結果のモデルが一元的有効スペクトル半径とゼロ局所リアプノフ指数に偏り、本質的に安定性の端近くで動作していることを示している。 時系列分類ベンチマークの結果は、EuSNがトレーニング可能なリカレントニューラルネットワークの精度と一致する(あるいは超える)ことを示唆している。
  論文  参考訳（メタデータ） (2022-03-17T15:18:34Z)
• Robust and Interpretable Temporal Convolution Network for Event Detection in Lung Sound Recordings [37.0780415938284]
  肺音事象検出のための軽量で頑健で完全に解釈可能なフレームワークを提案する。 マルチブランチTCNアーキテクチャを使用し、これらのブランチから得られる特徴を組み合わせるために、新しい融合戦略を利用する。 異なる特徴融合戦略を解析した結果,提案手法は非表現的特徴の抑制に繋がることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T06:36:22Z)
• Toward fast and accurate human pose estimation via soft-gated skip connections [97.06882200076096]
  本稿では,高精度かつ高効率な人間のポーズ推定について述べる。 我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。 本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-25T18:51:51Z)
• FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for Optical Flow Estimation [72.41370576242116]
  フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。 ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。 実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-01-17T07:13:51Z)

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。