論文の概要: A Swap-Adversarial Framework for Improving Domain Generalization in Electroencephalography-Based Parkinson's Disease Prediction
- arxiv url: http://arxiv.org/abs/2602.10528v1
- Date: Wed, 11 Feb 2026 04:52:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 21:44:01.476074
- Title: A Swap-Adversarial Framework for Improving Domain Generalization in Electroencephalography-Based Parkinson's Disease Prediction
- Title（参考訳）: 脳波によるパーキンソン病の予測における領域一般化のためのスワップ・アドバイザリー・フレームワーク
- Authors: Seongwon Jin, Hanseul Choi, Sunggu Yang, Sungho Park, Jibum Kim,
- Abstract要約: パーキンソン病予測のための最初の再現可能なベンチマークである新しいデータセットを導入する。
6-ヒドロキシドパミン(6-OHDA)誘発ラットの長期ECoG記録から構築される。
本研究では,高オブジェクト間変動と高次元低サンプルサイズ問題を緩和するSwarp-Adversarial Framework(SAF)を提案する。
- 参考スコア（独自算出の注目度）: 5.527305245660595
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Electroencephalography (ECoG) offers a promising alternative to conventional electrocorticography (EEG) for the early prediction of Parkinson's disease (PD), providing higher spatial resolution and a broader frequency range. However, reproducible comparisons has been limited by ethical constraints in human studies and the lack of open benchmark datasets. To address this gap, we introduce a new dataset, the first reproducible benchmark for PD prediction. It is constructed from long-term ECoG recordings of 6-hydroxydopamine (6-OHDA)-induced rat models and annotated with neural responses measured before and after electrical stimulation. In addition, we propose a Swap-Adversarial Framework (SAF) that mitigates high inter-subject variability and the high-dimensional low-sample-size (HDLSS) problem in ECoG data, while achieving robust domain generalization across ECoG and EEG-based Brain-Computer Interface (BCI) datasets. The framework integrates (1) robust preprocessing, (2) Inter-Subject Balanced Channel Swap (ISBCS) for cross-subject augmentation, and (3) domain-adversarial training to suppress subject-specific bias. ISBCS randomly swaps channels between subjects to reduce inter-subject variability, and domain-adversarial training jointly encourages the model to learn task-relevant shared features. We validated the effectiveness of the proposed method through extensive experiments under cross-subject, cross-session, and cross-dataset settings. Our method consistently outperformed all baselines across all settings, showing the most significant improvements in highly variable environments. Furthermore, the proposed method achieved superior cross-dataset performance between public EEG benchmarks, demonstrating strong generalization capability not only within ECoG but to EEG data. The new dataset and source code will be made publicly available upon publication.
- Abstract（参考訳）: 脳波検査(ECoG)は、パーキンソン病(PD)の早期予測に従来の脳波検査(EEG)に代わる有望な代替手段を提供する。
しかし、再現可能な比較は人間の研究における倫理的制約とオープンなベンチマークデータセットの欠如によって制限されてきた。
このギャップに対処するために、PD予測のための最初の再現可能なベンチマークである新しいデータセットを導入する。
6-ヒドロキシドパミン (6-OHDA) 誘発ラットの長期ECoG記録から構築し, 電気刺激前後の神経反応を付加した。
さらに、ECoGデータにおける高オブジェクト間変動と高次元低サンプルサイズ(HDLSS)問題を緩和し、ECoGおよびEEGベースのBrain-Computer Interface(BCI)データセット間の堅牢なドメイン一般化を実現するSwap-Adversarial Framework(SAF)を提案する。
本フレームワークは,(1)ロバストな前処理,(2)クロスオブジェクト拡張のためのISBCS(Inter-Subject Balanced Channel Swap),(3)ドメイン・アドバイザリ・トレーニング(Domain-Adversarial Training)を統合し,主観的偏見を抑制する。
ISBCSは被験者間のチャンネルをランダムに交換し、オブジェクト間の変動を減らす。
提案手法の有効性を,クロスオブジェクト,クロスセッション,クロスデータセット設定による広範囲な実験により検証した。
提案手法は,全設定のベースラインを一貫して上回り,高度に変動する環境において最も重要な改善点を示す。
さらに、提案手法は、ECoG内だけでなく、EEGデータにも強い一般化能力を示すため、公開EEGベンチマーク間でより優れたクロスデータセット性能を実現した。
新しいデータセットとソースコードは公開時に公開される予定だ。
関連論文リスト
- EEG-based Graph-guided Domain Adaptation for Robust Cross-Session Emotion Recognition [2.0955637520081756]
EGDAは、グローバル(マージナル)とクラス固有(コンディション)の分散を整合させることにより、クロスセッションの相違を低減するフレームワークである。
SEED-IVデータセットの実験結果から,EGDAが堅牢なクロスセッション性能を実現することが示された。
論文 参考訳（メタデータ） (2025-12-29T15:05:25Z) - mixEEG: Enhancing EEG Federated Learning for Cross-subject EEG Classification with Tailored mixup [5.367329958716485]
クロスオブジェクト脳波(EEG)分類は、認知過程の多様性と異なる被験者間の生理学的構造のために大きな課題を示す。
脳波に関連するプライバシー上の懸念は、異なる病院と機関間でのデータ共有に重大な制限を課している。
フェデレートラーニング(FL)は、複数の分散クライアントが、生データを直接通信することなく、協調的にグローバルモデルをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2025-04-07T06:24:23Z) - Stability and Generalization for Distributed SGDA [70.97400503482353]
分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。
我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。
理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
論文 参考訳（メタデータ） (2024-11-14T11:16:32Z) - Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。
DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。
DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
論文 参考訳（メタデータ） (2024-10-09T13:45:54Z) - 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) - Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。
本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。
GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
論文 参考訳（メタデータ） (2024-07-04T12:15:42Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - Neural Distance Embeddings for Biological Sequences [43.07977514121458]
幾何ベクトル空間に配列を埋め込むためのフレームワークであるNeuroSEEDを提案する。
階層構造を捉えた双曲空間の有効性を示し, RMSEの埋め込みにおける平均22%の還元効果を示す。
提案手法は,実世界のデータセットに対して,大幅な精度向上と実行時改善を示す。
論文 参考訳（メタデータ） (2021-09-20T17:30:58Z) - Common Spatial Generative Adversarial Networks based EEG Data
Augmentation for Cross-Subject Brain-Computer Interface [4.8276709243429]
脳波に基づく脳-コンピュータインタフェース(BCI)のクロスオブジェクト応用は、知覚が難しい大きな個人差と複雑な特徴によって常に制限されてきた。
CS-GAN(Common Space GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくクロスオブジェクトEEG分類フレームワークを提案する。
我々のフレームワークは、オブジェクト間の問題に対処し、BCIの実践的応用を促進するための有望な方法を提供する。
論文 参考訳（メタデータ） (2021-02-08T10:37:03Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z)
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。