論文の概要: NeuroCanvas: VLLM-Powered Robust Seizure Detection by Reformulating Multichannel EEG as Image

• arxiv url: http://arxiv.org/abs/2602.04769v1
• Date: Wed, 04 Feb 2026 17:06:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.649787
• Title: NeuroCanvas: VLLM-Powered Robust Seizure Detection by Reformulating Multichannel EEG as Image
• Title（参考訳）: NeuroCanvas:マルチチャネル脳波を画像として再構成したVLLMを用いたロバストシーズール検出
• Authors: Yan Chen, Jie Peng, Moajjem Hossain Chowdhury, Tianlong Chen, Yunmei Liu,
• Abstract要約: 脳波検査(EEG)による正確な発作検出は臨床的介入には重要であるが、長期記録のマニュアルレビューは労働集約的である。 脳波信号を大規模言語モデル(LLM)にエンコードする最近の試みは、多様な患者にまたがる神経信号を扱うという約束を示しているが、2つの大きな課題が残っている。
• 参考スコア（独自算出の注目度）: 35.12570738980016
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate and timely seizure detection from Electroencephalography (EEG) is critical for clinical intervention, yet manual review of long-term recordings is labor-intensive. Recent efforts to encode EEG signals into large language models (LLMs) show promise in handling neural signals across diverse patients, but two significant challenges remain: (1) multi-channel heterogeneity, as seizure-relevant information varies substantially across EEG channels, and (2) computing inefficiency, as the EEG signals need to be encoded into a massive number of tokens for the prediction. To address these issues, we draw the EEG signal and propose the novel NeuroCanvas framework. Specifically, NeuroCanvas consists of two modules: (i) The Entropy-guided Channel Selector (ECS) selects the seizure-relevant channels input to LLM and (ii) the following Canvas of Neuron Signal (CNS) converts selected multi-channel heterogeneous EEG signals into structured visual representations. The ECS module alleviates the multi-channel heterogeneity issue, and the CNS uses compact visual tokens to represent the EEG signals that improve the computing efficiency. We evaluate NeuroCanvas across multiple seizure detection datasets, demonstrating a significant improvement of $20\%$ in F1 score and reductions of $88\%$ in inference latency. These results highlight NeuroCanvas as a scalable and effective solution for real-time and resource-efficient seizure detection in clinical practice.The code will be released at https://github.com/Yanchen30247/seizure_detect.
• Abstract（参考訳）: 脳波検査(EEG)による正確な発作検出は臨床的介入には重要であるが、長期記録のマニュアルレビューは労働集約的である。 脳波信号を大規模言語モデル(LLM)にエンコードする最近の試みは、様々な患者にまたがる神経信号を扱う上での有望性を示しているが、(1)発作関連情報が脳波のチャネルで大きく異なるため、2)脳波信号を大量のトークンにエンコードする必要があるため、非効率である。 これらの問題に対処するため、脳波信号を描画し、新しいNeuroCanvasフレームワークを提案する。 具体的には、NeuroCanvasは2つのモジュールから構成される。 一 エントロピー誘導チャネルセレクタ(ECS)は、LSMに入力された発作関連チャネルを選択し、 (II) 以下に示すニューロン信号(CNS)のCanvasは、選択された多チャンネル異種脳波信号を構造化された視覚表現に変換する。 ECSモジュールはマルチチャネルの不均一性問題を緩和し、CNSはコンパクトな視覚トークンを使用して脳波信号を表現し、計算効率を向上させる。 我々は、複数の発作検出データセットにわたるNeuroCanvasを評価し、F1スコアが20\%、推論遅延が8.8\%の大幅な改善を示した。 これらの結果は、NeuroCanvasを、臨床実践におけるリアルタイムかつリソース効率の高い発作検出のためのスケーラブルで効果的なソリューションとして強調しており、コードはhttps://github.com/Yanchen30247/seizure_detect.comでリリースされる。

関連論文リスト

• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Automated Detection of Epileptic Spikes and Seizures Incorporating a Novel Spatial Clustering Prior [4.432163893362497]
  センサの空間的位置に基づいて,まずMEGチャネルをクラスタリングするパラダイムを導入する。 次に、信号の空間的クラスタリングと時間的変化を統合するために、新しい畳み込み入力モジュールを設計する。 提案手法は,2つの中心から収集した大規模実世界のMEGデータセットであるSanbo-CMRのF1スコア94.73%を達成し,最先端のアプローチを1.85%上回った。
  論文  参考訳（メタデータ） (2025-01-05T02:06:13Z)
• NeuroLM: A Universal Multi-task Foundation Model for Bridging the Gap between Language and EEG Signals [21.363722751437066]
  我々は,脳波を外国語として扱うことで,Large Language Models (LLMs) の機能を活用する,最初のマルチタスク基盤モデルであるNeuroLMを提案する。 我々のアプローチは、脳波信号を離散的な神経トークンにエンコードするベクトル量子化された時間周波数予測を通じて、テキスト整列型ニューラルトークンを学習することから始まります。 我々は、LLMを具体化することによって、NeuroLMは命令チューニングによって単一のモデル内で多様な脳波タスクを統合できることを初めて実証した。
  論文  参考訳（メタデータ） (2024-08-27T12:07:09Z)
• MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
  てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。 本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
  論文  参考訳（メタデータ） (2022-11-09T01:07:20Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)

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。