論文の概要: SpaTeoGL: Spatiotemporal Graph Learning for Interpretable Seizure Onset Zone Analysis from Intracranial EEG

• arxiv url: http://arxiv.org/abs/2602.11801v1
• Date: Thu, 12 Feb 2026 10:28:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.770846
• Title: SpaTeoGL: Spatiotemporal Graph Learning for Interpretable Seizure Onset Zone Analysis from Intracranial EEG
• Title（参考訳）: SpaTeoGL:頭蓋内脳波からの解釈可能な青信号オンセットゾーン解析のための時空間グラフ学習
• Authors: Elham Rostami, Aref Einizade, Taous-Meriem Laleg-Kirati,
• Abstract要約: 本稿では,知覚ネットワーク解析のための学習グラフフレームワークであるPaperTeoを提案する。 SpaTeoは、その空間構造の類似性に基づいて、ウィンドウレベルの空間グラフを共同で学習する。
• 参考スコア（独自算出の注目度）: 1.6567880228735357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate localization of the seizure onset zone (SOZ) from intracranial EEG (iEEG) is essential for epilepsy surgery but is challenged by complex spatiotemporal seizure dynamics. We propose SpaTeoGL, a spatiotemporal graph learning framework for interpretable seizure network analysis. SpaTeoGL jointly learns window-level spatial graphs capturing interactions among iEEG electrodes and a temporal graph linking time windows based on similarity of their spatial structure. The method is formulated within a smooth graph signal processing framework and solved via an alternating block coordinate descent algorithm with convergence guarantees. Experiments on a multicenter iEEG dataset with successful surgical outcomes show that SpaTeoGL is competitive with a baseline based on horizontal visibility graphs and logistic regression, while improving non-SOZ identification and providing interpretable insights into seizure onset and propagation dynamics.
• Abstract（参考訳）: 頭蓋内脳波(iEEG)からのけいれん発症領域(SOZ)の正確な局在はてんかん手術には不可欠であるが,複雑な時空間けいれんのダイナミックスに悩まされている。 本稿では,知覚ネットワーク解析のための時空間グラフ学習フレームワークであるSpaTeoGLを提案する。 SpaTeoGLは、空間構造の類似性に基づいて、iEEG電極と時間ウィンドウをリンクする時間グラフの間の相互作用を捉えるウィンドウレベル空間グラフを共同で学習する。 この方法はスムーズなグラフ信号処理フレームワーク内で定式化され,コンバージェンス保証付き交互ブロック座標降下アルゴリズムを用いて解かれる。 多中心iEEGデータセットと手術成績を成功させた実験により、SpaTeoGLは水平可視グラフとロジスティック回帰に基づくベースラインと競合し、非SOZ識別を改善し、発作発生と伝播のダイナミクスに関する解釈可能な洞察を提供する。

関連論文リスト

• Geometry- and Relation-Aware Diffusion for EEG Super-Resolution [33.53397341962788]
  TopoDiffは、EEG空間超解像のための幾何学的および関係性を考慮した拡散モデルである。 人間の専門家が空間脳波パターンをどう解釈するかにインスパイアされたTopoDiffは、トポロジーを意識した画像埋め込みを取り入れている。 この設計により、一貫した性能向上を伴う空間基底型EEG空間超解像フレームワークが得られる。
  論文  参考訳（メタデータ） (2026-02-02T15:44:20Z)
• Graph-Based Learning of Spectro-Topographical EEG Representations with Gradient Alignment for Brain-Computer Interfaces [31.418253191692756]
  本稿では、勾配アライメント(GEEGA)を用いた脳波表現の新しいグラフベース学習法を提案する。 我々のモデルは、グラフ畳み込みネットワークを利用して、周波数ベースの地形図と時間周波数スペクトログラムからの埋め込みを融合する。 提案手法の有効性を,3つの公開脳波データセットを用いた広範囲な実験により検証した。
  論文  参考訳（メタデータ） (2025-12-08T18:54:11Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• Shared Attention-based Autoencoder with Hierarchical Fusion-based Graph Convolution Network for sEEG SOZ Identification [10.413397851804152]
  発作発症ゾーン(SOZ)の診断は神経外科の課題であり、脳電図(sEEG)が重要な技術である。 sEEG SOZの同定において、既存の研究はてんかん情報の患者内表現にのみ焦点をあてている。 本稿では、上記の課題に対処するために、共有注意ベースオートエンコーダ(sATAE)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T08:20:02Z)
• Clustering Time-Evolving Networks Using the Spatio-Temporal Graph Laplacian [0.8643517734716606]
  我々は既存のスペクトルアルゴリズムを一般化し、時間変化のあるグラフ構造におけるコミュニティを特定し解析する。 テンポラル指向グラフ Laplacian は、有向および無向クラスタの時間経過に伴うクラスタ構造進化の明確な解釈を可能にすることを示す。
  論文  参考訳（メタデータ） (2024-07-12T14:31:54Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)
• Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification [79.41619843969347]
  我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。 本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。 このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
  論文  参考訳（メタデータ） (2021-02-21T18:19:49Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)

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。