論文の概要: LookAroundNet: Extending Temporal Context with Transformers for Clinically Viable EEG Seizure Detection

• arxiv url: http://arxiv.org/abs/2601.06016v1
• Date: Fri, 09 Jan 2026 18:52:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:50.074796
• Title: LookAroundNet: Extending Temporal Context with Transformers for Clinically Viable EEG Seizure Detection
• Title（参考訳）: LookAroundNet:脳波シーズール検出のための変換器を用いた時間文脈の拡張
• Authors: Þór Sverrisson, Steinn Guðmundsson,
• Abstract要約: LookAroundNetは、脳波データのより広い時間的ウィンドウを使用して発作活動をモデル化するトランスフォーマーベースの発作検出装置である。 様々な臨床環境にまたがる複数の脳波データセットについて,提案手法の評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated seizure detection from electroencephalography (EEG) remains difficult due to the large variability of seizure dynamics across patients, recording conditions, and clinical settings. We introduce LookAroundNet, a transformer-based seizure detector that uses a wider temporal window of EEG data to model seizure activity. The seizure detector incorporates EEG signals before and after the segment of interest, reflecting how clinicians use surrounding context when interpreting EEG recordings. We evaluate the proposed method on multiple EEG datasets spanning diverse clinical environments, patient populations, and recording modalities, including routine clinical EEG and long-term ambulatory recordings, in order to study performance across varying data distributions. The evaluation includes publicly available datasets as well as a large proprietary collection of home EEG recordings, providing complementary views of controlled clinical data and unconstrained home-monitoring conditions. Our results show that LookAroundNet achieves strong performance across datasets, generalizes well to previously unseen recording conditions, and operates with computational costs compatible with real-world clinical deployment. The results indicate that extended temporal context, increased training data diversity, and model ensembling are key factors for improving performance. This work contributes to moving automatic seizure detection models toward clinically viable solutions.
• Abstract（参考訳）: 脳波検査(EEG)による発作自動検出は, 患者間での発作動態の変動, 記録条件, 臨床環境が多岐にわたるため, 依然として困難である。 我々は,脳波データより広い時間窓を用いて発作活動をモデル化するトランスフォーマーベースの発作検出装置であるLookAroundNetを紹介した。 脳波検出装置は、脳波記録を解釈する際に臨床医が周囲の文脈をどのように利用するかを反映して、関心領域の前後に脳波信号を組み込む。 本研究では, 様々な臨床環境, 患者集団, 記録モダリティにまたがる複数の脳波データセットを用いて, 定期的臨床脳波, 長期的脳波記録などのデータ分析を行い, 各種データ分布におけるパフォーマンスについて検討した。 この評価には、公開されているデータセットと、ホームEEG記録の大規模なプロプライエタリなコレクションが含まれており、コントロールされた臨床データと制約のない在宅監視条件の補完的なビューを提供する。 以上の結果から,LookAroundNetはデータセット間で高い性能を達成し,これまで見つからなかった記録条件を十分に一般化し,実世界の臨床展開と互換性のある計算コストで運用できることが示唆された。 その結果,時間的コンテキストの拡張,トレーニングデータの多様性の向上,モデルアンサンブルが,パフォーマンス向上の鍵となる要因であることが示唆された。 この研究は、自動発作検出モデルを臨床的に実現可能なソリューションへ移動させることに寄与する。

関連論文リスト

• PySeizure: A single machine learning classifier framework to detect seizures in diverse datasets [0.0]
  我々は、様々な臨床データセット間で堅牢な発作検出を可能にする、革新的なオープンソースの機械学習フレームワークを導入する。 堅牢性を高めるため、このフレームワークは自動前処理パイプラインを組み込んで、データの標準化と過半数の投票機構を備えている。 データセット内のモデルをトレーニングし、チューニングし、評価し、データセット間の転送可能性を評価します。
  論文  参考訳（メタデータ） (2025-08-10T09:12:29Z)
• The use of Multi-domain Electroencephalogram Representations in the building of Models based on Convolutional and Recurrent Neural Networks for Epilepsy Detection [1.4785447770765987]
  てんかんは世界中で約5000万人に影響を与えており、治療は依然として困難である。 EEGデータは専門家間でのばらつきの傾向があり、自動化されたソリューションの必要性を強調している。 この研究は、時間、周波数、時間周波数領域でEEGデータに基づいてトレーニングされたディープニューラルネットワークを体系的に比較する。 その結果、周波数領域データは97%を超える検出基準を達成し、より正確で信頼性の高い発作検出システムのための堅牢な基盤を提供することが示された。
  論文  参考訳（メタデータ） (2025-04-24T19:50:48Z)
• RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier [0.0]
  頭蓋内脳波(iEEG)は、臨床および脳-コンピュータインターフェースの応用にますます使われている。 本稿では, 電極内注入変動に頑健な新しいデコーダモデルを提案する。 我々はこのモデルをRISE-iEEGと呼び、このモデルはRobust to Inter-Subject Electrode implantation Variability iEEG の略である。
  論文  参考訳（メタデータ） (2024-08-12T18:33:19Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• ICU Mortality Prediction Using Long Short-Term Memory Networks [0.0]
  我々はElectronic Health Records(EHRs)から得られた大量の時間データを解析する自動データ駆動システムを実装した。 我々は,院内死亡率とLOS(Longth of Stay)を早期に予測するために,高レベル情報を抽出する。 実世界の予測エンジン構築のための厳密な時系列測定によるLSTMモデルの効率性について実験を行った。
  論文  参考訳（メタデータ） (2023-08-18T09:44:47Z)
• Assessing Robustness of EEG Representations under Data-shifts via Latent Space and Uncertainty Analysis [0.29998889086656577]
  我々は,外部データへのアクセスを前提とせずに,デプロイメント中に潜在的な落とし穴を検出する診断方法を開発した。 具体的には、データ変換による電気生理学的信号(EEG)の現実的なデータシフトをモデル化することに焦点を当てる。 我々は、複数の脳波特徴エンコーダと2つの臨床的に関連のある下流タスクについて、一般公開された大規模臨床脳波を用いて実験を行った。
  論文  参考訳（メタデータ） (2022-09-22T19:26:09Z)
• A Deep Learning Approach for the Segmentation of Electroencephalography Data in Eye Tracking Applications [56.458448869572294]
  脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。 エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。 我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
  論文  参考訳（メタデータ） (2022-06-17T10:17:24Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。