論文の概要: Learning Alzheimer's Disease Signatures by bridging EEG with Spiking Neural Networks and Biophysical Simulations

• arxiv url: http://arxiv.org/abs/2602.07010v1
• Date: Fri, 30 Jan 2026 21:54:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-15 14:54:53.69841
• Title: Learning Alzheimer's Disease Signatures by bridging EEG with Spiking Neural Networks and Biophysical Simulations
• Title（参考訳）: スパイクニューラルネットワークと生体物理シミュレーションを用いた脳波によるアルツハイマー病の診断
• Authors: Szymon Mamoń, Max Talanov, Alessandro Crimi,
• Abstract要約: 脳波に基づくアルツハイマー病検出のための従来のディープラーニングアプローチは、計算集約的で機械的に不透明である。 本稿では,データ駆動学習と生体物理シミュレーションを結びつけるニューラルネットワークフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 42.091774598477706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the prevalence of Alzheimer's disease (AD) rises, improving mechanistic insight from non-invasive biomarkers is increasingly critical. Recent work suggests that circuit-level brain alterations manifest as changes in electroencephalography (EEG) spectral features detectable by machine learning. However, conventional deep learning approaches for EEG-based AD detection are computationally intensive and mechanistically opaque. Spiking neural networks (SNNs) offer a biologically plausible and energy-efficient alternative, yet their application to AD diagnosis remains largely unexplored. We propose a neuro-bridge framework that links data-driven learning with minimal, biophysically grounded simulations, enabling bidirectional interpretation between machine learning signatures and circuit-level mechanisms in AD. Using resting-state clinical EEG, we train an SNN classifier that achieves competitive performance (AUC = 0.839) and identifies the aperiodic 1/f slope as a key discriminative marker. The 1/f slope reflects excitation-inhibition balance. To interpret this mechanistically, we construct spiking network simulations in which inhibitory-to-excitatory synaptic ratios are systematically varied to emulate healthy, mild cognitive impairment, and AD-like states. Using both membrane potential-based and synaptic current-based EEG proxies, we reproduce empirical spectral slowing and altered alpha organization. Incorporating empirical functional connectivity priors into multi-subnetwork simulations further enhances spectral differentiation, demonstrating that large-scale network topology constrains EEG signatures more strongly than excitation-inhibition balance alone. Overall, this neuro-bridge approach connects SNN-based classification with interpretable circuit simulations, advancing mechanistic understanding of EEG biomarkers while enabling scalable, explainable AD detection.
• Abstract（参考訳）: アルツハイマー病(AD)の流行が高まるにつれ、非侵襲的なバイオマーカーからの機械的洞察の向上がますます重要になっている。 近年の研究では、脳波(EEG)スペクトルの変化として回路レベルの脳変化が機械学習によって検出できることが示唆されている。 しかし、従来の脳波に基づくAD検出のためのディープラーニングアプローチは、計算集約的で機械的に不透明である。 スパイキングニューラルネットワーク(SNN)は、生物学的に可塑性でエネルギー効率のよい代替手段を提供するが、AD診断への応用はほとんど未発見のままである。 本稿では,データ駆動学習と生体物理シミュレーションを結びつけるニューロブリッジフレームワークを提案し,機械学習のシグネチャとADの回路レベル機構の双方向解釈を可能にする。 安静時脳波を用いて、競争性能(AUC = 0.839)を達成するSNN分類器を訓練し、周期的1/f傾斜を重要な識別マーカーとして同定する。 1/f傾斜は励起抑制バランスを反映する。 これを機械的に解釈するために,抑止・興奮性シナプス比を系統的に変化させ,健常・軽度認知障害・AD様状態をエミュレートするスパイキングネットワークシミュレーションを構築した。 膜電位とシナプス電流をベースとした脳波プロキシを用いて, 経験的スペクトルの減速とα組織の変化を再現する。 経験的機能的接続をマルチサブネットワークシミュレーションに組み込むことにより、スペクトルの分化をさらに促進し、大規模なネットワークトポロジが励起抑制バランスのみよりも強いEEGシグネチャを制約することを示した。 全体として、このニューロブリッジアプローチは、SNNベースの分類と解釈可能な回路シミュレーションを結びつけ、スケーラブルで説明可能なAD検出を可能にしながら、脳波バイオマーカーの機械的理解を促進する。

関連論文リスト

• General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。 本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。 この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
  論文  参考訳（メタデータ） (2026-01-29T15:08:48Z)
• E^2-LLM: Bridging Neural Signals and Interpretable Affective Analysis [54.763420895859035]
  脳波からの感情分析のための最初のMLLMフレームワークであるELLM2-EEG-to-Emotion Large Language Modelを提案する。 ELLMは学習可能なプロジェクション層を通じて、トレーニング済みのEEGエンコーダとQベースのLLMを統合し、マルチステージのトレーニングパイプラインを使用する。 7つの感情カテゴリーにまたがるデータセット実験により, ELLM2-EEG-to-Emotion Large Language Modelは感情分類において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-01-11T13:21:20Z)
• Decoding Human Emotions: Analyzing Multi-Channel EEG Data using LSTM Networks [0.0]
  本研究では、Long Short-Term Memory (LSTM) ネットワークを用いて脳波信号を解析することにより、感情状態分類の予測精度を向上することを目的とする。 DEAPとして知られる多チャンネル脳波記録の一般的なデータセットを用いて、LSTMネットワークの特性を活用して、脳波信号データ内の時間的依存関係を処理する。 感情認識モデルの能力は, それぞれ89.89%, 90.33%, 90.70%, 90.54%であった。
  論文  参考訳（メタデータ） (2024-08-19T18:10:47Z)
• An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、認知機能障害(Mild Cognitive Impairment, MCI)として知られる前ドロマステージを含む認知症である。 この研究の目的は、マルチモーダルMRIデータと単一核化物多型に依存する脳構造と機能の構造的・機能的調節を捉えることである。
  論文  参考訳（メタデータ） (2024-06-19T07:31:47Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Neuro-BERT: Rethinking Masked Autoencoding for Self-supervised Neurological Pretraining [24.641328814546842]
  本稿では、フーリエ領域におけるマスク付き自己エンコーディングに基づく神経信号の自己教師付き事前学習フレームワークであるNeuro-BERTを提案する。 本稿では、入力信号の一部をランダムにマスキングし、欠落した情報を予測するFourier Inversion Prediction (FIP)と呼ばれる新しい事前学習タスクを提案する。 提案手法をいくつかのベンチマークデータセットで評価することにより,Neuro-BERTは下流神経関連タスクを大きなマージンで改善することを示す。
  論文  参考訳（メタデータ） (2022-04-20T16:48:18Z)
• EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network [0.0]
  我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。 その結果,11名の被験者に対して平均78.35%の精度が得られた。
  論文  参考訳（メタデータ） (2021-05-30T14:47:20Z)
• A Compact and Interpretable Convolutional Neural Network for Cross-Subject Driver Drowsiness Detection from Single-Channel EEG [4.963467827017178]
  本稿では,ドライバの眠気検出のために,複数の被験者間で共有された脳波特徴を検出するための,コンパクトで解釈可能な畳み込みニューラルネットワークを提案する。 その結果,脳波信号の分類では,被験者11名に対して平均73.22%の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2021-05-30T14:36:34Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)

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。