論文の概要: Dynamic Spatio-Temporal Graph Neural Network for Early Detection of Pornography Addiction in Adolescents Based on Electroencephalogram Signals

• arxiv url: http://arxiv.org/abs/2603.00488v1
• Date: Sat, 28 Feb 2026 06:04:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.222144
• Title: Dynamic Spatio-Temporal Graph Neural Network for Early Detection of Pornography Addiction in Adolescents Based on Electroencephalogram Signals
• Title（参考訳）: 脳波信号に基づく青年期のポルノ画像の早期検出のための動的時空間グラフニューラルネットワーク
• Authors: Achmad Ardani Prasha, Clavino Ourizqi Rachmadi, Sabrina Laila Mutiara, Hilman Syachr Ramadhan, Chareyl Reinalyta Borneo, Saruni Dwiasnati,
• Abstract要約: 本研究では,位相ラグ指数(PLI)に基づくグラフ注意ネットワーク(GAT)を統合した動的時空間グラフニューラルネットワーク(DST-GNN)を提案する。 データセットは、14人の青年(7人は中毒、7人は健康)と、9つの実験条件で19チャンネルの脳波で構成されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adolescent pornography addiction requires early detection based on objective neurobiological biomarkers because self-report is prone to subjective bias due to social stigma. Conventional machine learning has not been able to model dynamic functional connectivity of the brain that fluctuates temporally during addictive stimulus exposure. This study proposes a state-of-the-art Dynamic Spatio-Temporal Graph Neural Network (DST-GNN) that integrates Phase Lag Index (PLI)-based Graph Attention Network (GAT) for spatial modeling and Bidirectional Gated Recurrent Unit (BiGRU) for temporal dynamics. The dataset consists of 14 adolescents (7 addicted, 7 healthy) with 19-channel EEG across 9 experimental conditions. Leave-One-Subject-Out Cross Validation (LOSO-CV) evaluation shows F1-Score of 71.00%$\pm$12.10% and recall of 85.71%, a 104% improvement compared to baseline. Ablation study confirms temporal contribution of 21% and PLI graph construction of 57%. Frontal-central regions (Fz, Cz, C3, C4) are identified as dominant biomarkers with Beta contribution of 58.9% and Hjorth of 31.2%, while Cz-T7 connectivity is consistent as a trait-level biomarker for objective screening.
• Abstract（参考訳）: 青年期ポルノグラフィ中毒は、社会的汚職による主観的偏見を伴うため、客観的な神経生物学的バイオマーカーに基づく早期発見を必要とする。 従来の機械学習では、中毒性刺激曝露中に時間的に変動する脳のダイナミックな機能的接続をモデル化することはできない。 本研究では、空間モデリングのための位相ラグ指数(PLI)に基づくグラフ注意ネットワーク(GAT)と時間力学のための双方向Gated Recurrent Unit(BiGRU)を統合した、最先端の動的時空間グラフニューラルネットワーク(DST-GNN)を提案する。 データセットは、14人の青年(7人は中毒、7人は健康)と、9つの実験条件で19チャンネルの脳波で構成されている。 LOSO-CV評価では、F1スコアは71.00%$\pm$12.10%、リコールは85.71%、ベースラインよりも104%改善している。 アブレーション調査では21%の時間的寄与と57%のPLIグラフ構築が確認された。 前頭葉中心領域(Fz、Cz、C3、C4)は58.9%、Hjorthは31.2%で、Cz-T7接続は客観的スクリーニングのための形質レベルのバイオマーカーとして一貫している。

関連論文リスト

• Physiology as Language: Translating Respiration to Sleep EEG [43.02603129452492]
  本稿では,呼吸信号から睡眠脳波(EEG)を合成するクロス生理学的翻訳タスクを紹介する。 離散トークン化により脳波の標的空間を制約しながら、微細な呼吸動態を保ちながら波形条件生成フレームワークを提案する。 脳波スペクトログラム再構成では,28,000人以上の被験者を対象に,平均絶対誤差を7%以上達成している。
  論文  参考訳（メタデータ） (2026-01-31T05:44:45Z)
• From Linear Probing to Joint-Weighted Token Hierarchy: A Foundation Model Bridging Global and Cellular Representations in Biomarker Detection [44.3895875409365]
  AIベースのバイオマーカーは、ヘマトキシリンとエオシン(H&E)スライドから直接分子的特徴を推測することができる。 ほとんどの病理基盤モデル(PFM)は、グローバルなパッチレベルの埋め込みに依存し、細胞レベルの形態を見落としている。 本稿では,大規模自己教師型事前学習とセル中心のポストチューニングとアテンションプールを統合し,局所トークンとグローバルトークンを融合させるPFMモデルJWTHを提案する。
  論文  参考訳（メタデータ） (2025-11-07T11:05:36Z)
• ELPG-DTFS: Prior-Guided Adaptive Time-Frequency Graph Neural Network for EEG Depression Diagnosis [6.251217907978012]
  本稿では,事前誘導型適応時間周波数グラフニューラルネットワークELPG-DTFSを提案する。 128チャンネルのMODMAデータセット(53名の被験者)では、ELPG-DTFSは97.63%の精度と97.33%のF1を達成した。
  論文  参考訳（メタデータ） (2025-09-29T14:44:37Z)
• Detecting Blinks in Healthy and Parkinson's EEG: A Deep Learning Perspective [0.0]
  我々は脳波信号を不随意の点滅と非点滅に分割するための様々な深層学習モデルを評価する。 本研究では,1,3,5個の前頭脳波電極を用いた点滅検出用パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-09-05T09:17:55Z)
• Graph Attention Networks for Detecting Epilepsy from EEG Signals Using Accessible Hardware in Low-Resource Settings [45.62331048595689]
  低所得国では、貧弱な神経科医や高価な診断ツールのためにてんかんが診断されていない。 低コストのEEGハードウェアからてんかんを検出するためのグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-20T20:44:39Z)
• Naturalistic Language-related Movie-Watching fMRI Task for Detecting Neurocognitive Decline and Disorder [60.84344168388442]
  言語関連機能的磁気共鳴画像(fMRI)は,認知機能低下と早期NCDの検出に有望なアプローチである。 香港在住の高齢者97名を対象に,この課題の有効性について検討した。 本研究は、加齢に伴う認知低下とNCDの早期発見のための自然言語関連fMRIタスクの可能性を示した。
  論文  参考訳（メタデータ） (2025-06-10T16:58:47Z)
• Artifact detection and localization in single-channel mobile EEG for sleep research using deep learning and attention mechanisms [5.3125934435880895]
  脳波(EEG)のアーチファクトは信号品質を低下させ、脳活動の解析に影響を及ぼす。 睡眠中のアーティファクトを検出する現在の方法は、手動による介入を必要とする単純なしきい値ベースのアルゴリズムに依存している。 コンボリューションブロックアテンションモジュール(CNN-CBAM)を組み込んだ畳み込みニューラルネットワーク(CNN)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-11T11:57:06Z)
• Deep Learning-Based Classification of Hyperkinetic Movement Disorders in Children [0.0]
  小児の高速度運動障害 (HMD) は, 重なり合う臨床的特徴により, 重要な診断上の課題となる。 本研究では,運動課題を遂行する小児患者の映像記録からジストニアと胆管を区別するニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2024-11-19T22:02:04Z)
• ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction [1.7894680263068135]
  OMI症例の3分の2は、12誘導心電図から視覚的に識別することが困難である。 現在の最先端の証拠は、機能ベースのランダムな森林と畳み込みニューラルネットワーク(CNN)の両方が、OMIのECG検出を改善するための有望なアプローチであることを示唆している。 我々はOMI識別のためのECG--NETを開発し評価する。
  論文  参考訳（メタデータ） (2024-05-08T19:59:16Z)
• Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach [0.3222802562733786]
  対象のバイナリ分類に適した,先駆的な深層学習アーキテクチャを提案する。 我々のモデルは、1D畳み込みニューラルネットワーク(CNN)、GRU(Gated Recurrent Units)、GNN(Graph Neural Network)のパワーを利用する。 提案モデルでは, 99.51%, 99.57%, 99.71%, 99.64%のスコアが得られた。
  論文  参考訳（メタデータ） (2024-04-09T15:19:13Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
  グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。 機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。 しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。 本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T20:45:30Z)
• 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)

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。