論文の概要: ConvMambaNet: A Hybrid CNN-Mamba State Space Architecture for Accurate and Real-Time EEG Seizure Detection

• arxiv url: http://arxiv.org/abs/2601.13234v1
• Date: Mon, 19 Jan 2026 17:08:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.984069
• Title: ConvMambaNet: A Hybrid CNN-Mamba State Space Architecture for Accurate and Real-Time EEG Seizure Detection
• Title（参考訳）: ConvMambaNet: 正確なリアルタイムEEGシーズーア検出のためのハイブリッドCNN-Mamba状態空間アーキテクチャ
• Authors: Md. Nishan Khan, Kazi Shahriar Sanjid, Md. Tanzim Hossain, Asib Mostakim Fony, Istiak Ahmed, M. Monir Uddin,
• Abstract要約: 本研究では,畳み込みニューラルネットワーク(CNN)とMamba Structured State Space Model(SSM)を統合し,時間的特徴抽出を強化するハイブリッドディープラーニングモデルであるConvMambaNetを紹介する。 CHB-MIT Scalp EEGデータセットを用いて、ConvMambaNetは99%の精度を達成し、厳密なクラス不均衡下での堅牢な性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Epilepsy is a chronic neurological disorder marked by recurrent seizures that can severely impact quality of life. Electroencephalography (EEG) remains the primary tool for monitoring neural activity and detecting seizures, yet automated analysis remains challenging due to the temporal complexity of EEG signals. This study introduces ConvMambaNet, a hybrid deep learning model that integrates Convolutional Neural Networks (CNNs) with the Mamba Structured State Space Model (SSM) to enhance temporal feature extraction. By embedding the Mamba-SSM block within a CNN framework, the model effectively captures both spatial and long-range temporal dynamics. Evaluated on the CHB-MIT Scalp EEG dataset, ConvMambaNet achieved a 99% accuracy and demonstrated robust performance under severe class imbalance. These results underscore the model's potential for precise and efficient seizure detection, offering a viable path toward real-time, automated epilepsy monitoring in clinical environments.
• Abstract（参考訳）: てんかん(英: epilepsy)は、生活の質に深刻な影響を及ぼす再発発作を特徴とする慢性神経疾患である。 脳波(EEG)は、神経活動を監視して発作を検出するための主要なツールであるが、脳波信号の時間的複雑さのため、自動解析は依然として困難である。 本研究では,畳み込みニューラルネットワーク(CNN)とMamba Structured State Space Model(SSM)を統合し,時間的特徴抽出を強化するハイブリッドディープラーニングモデルであるConvMambaNetを紹介する。 CNNフレームワークにMamba-SSMブロックを埋め込むことで、このモデルは空間的および長距離の時間的ダイナミクスを効果的に捉えることができる。 CHB-MIT Scalp EEGデータセットに基づいて評価され、ConvMambaNetは99%の精度を達成し、厳しいクラス不均衡の下で堅牢な性能を示した。 これらの結果は、臨床環境におけるリアルタイムで自動化されたてんかんのモニタリングに向けた有効な経路を提供する、正確かつ効率的な発作検出のモデルの可能性を強調している。

関連論文リスト

• Brain2Vec: A Deep Learning Framework for EEG-Based Stress Detection Using CNN-LSTM-Attention [0.0]
  Brain2Vecは、生の脳波記録からストレス状態を分類する新しいディープラーニングツールだ。 これらの結果は、Brain2Vecがウェアラブルストレス監視プラットフォームとパーソナライズされたヘルスケアシステムに統合される可能性を示している。
  論文  参考訳（メタデータ） (2025-06-12T12:57:19Z)
• Towards Practical Alzheimer's Disease Diagnosis: A Lightweight and Interpretable Spiking Neural Model [7.289867430801027]
  アルツハイマー病 (AD) の早期診断は, 主観的評価やマルチモーダル画像モダリティの高コストにより, 極めて困難である。 脳にインスパイアされたパラダイムとして、スパイキングニューラルネットワーク(SNN)は本質的にADにおける神経変性のスパースでイベント駆動パターンをモデル化するのに適している。 我々は、生物にインスパイアされたLIFニューロンと、領域適応的畳み込みとマルチスケールのスパイク注意を統合するハイブリッドニューラルネットワークであるFasterSNNを提案する。
  論文  参考訳（メタデータ） (2025-06-11T13:10:49Z)
• EEG-Based Inter-Patient Epileptic Seizure Detection Combining Domain Adversarial Training with CNN-BiLSTM Network [1.9662978733004604]
  畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BiLSTM)を併用したドメイン逆行訓練の検知フレームワークを提案する。 局所てんかん20例の脳波記録による評価は,非逆行法よりも優れていた。 対人訓練と時間的モデリングの統合により、堅牢な患者間発作検出が可能となる。
  論文  参考訳（メタデータ） (2025-05-21T07:27:55Z)
• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• 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)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。