論文の概要: Forecasting Epileptic Seizures from Contactless Camera via Cross-Species Transfer Learning

• arxiv url: http://arxiv.org/abs/2603.12887v1
• Date: Fri, 13 Mar 2026 10:35:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.055718
• Title: Forecasting Epileptic Seizures from Contactless Camera via Cross-Species Transfer Learning
• Title（参考訳）: 異種間移動学習によるコンタクトレスカメラからのてんかん発作の予測
• Authors: Mingkai Zhai, Wei Wang, Zongsheng Li, Quanying Liu,
• Abstract要約: てんかん発作の予測は臨床的に重要であるが、てんかん研究では難しい問題である。 本研究では,ビデオによるてんかん発作予測の新しい課題を定式化する。 本稿では,大規模ロジトビデオデータを利用したクロス種移動学習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）: 7.947132798593059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Epileptic seizure forecasting is a clinically important yet challenging problem in epilepsy research. Existing approaches predominantly rely on neural signals such as electroencephalography (EEG), which require specialized equipment and limit long-term deployment in real-world settings. In contrast, video data provide a non-invasive and accessible alternative, yet existing video-based studies mainly focus on post-onset seizure detection, leaving seizure forecasting largely unexplored. In this work, we formulate a novel task of video-based epileptic seizure forecasting, where short pre-ictal video segments (3-10 seconds) are used to predict whether a seizure will occur within the subsequent 5 seconds. To address the scarcity of annotated human epilepsy videos, we propose a cross-species transfer learning framework that leverages large-scale rodent video data for auxiliary pretraining. This enables the model to capture seizure-related behavioral dynamics that generalize across species. Experimental results demonstrate that our approach achieves over 70% prediction accuracy under a strictly video-only setting and outperforms existing baselines. These findings highlight the potential of cross-species learning for building non-invasive, scalable early-warning systems for epilepsy.
• Abstract（参考訳）: てんかん発作の予測は臨床的に重要であるが、てんかん研究では難しい問題である。 既存のアプローチは、主に脳波(EEG)のような神経信号に依存しており、それは特殊な装置を必要とし、現実の環境での長期展開を制限する。 対照的に、ビデオデータは非侵襲的でアクセス可能な代替手段を提供するが、既存のビデオベースの研究では、主にオンセット後の発作検出に焦点を当てており、発作の予測はほとんど未調査のままである。 本研究は,ビデオによるてんかん発作予測の新しいタスクを定式化し,その後5秒以内に発作が起こるかどうかを予測するために,短い前頭前ビデオセグメント(3～10秒)を用いる。 注釈付きヒトてんかんビデオの不足に対処するために,大規模ロジトビデオデータを利用したクロス種移動学習フレームワークを提案する。 これにより、種全体にわたって一般化される発作に関連した行動力学を捉えることができる。 実験の結果,ビデオのみの設定で70%以上の予測精度を達成し,既存のベースラインを上回った。 これらの知見は、エピレプシーのための非侵襲的でスケーラブルな早期警戒システムを構築するためのクロス種学習の可能性を強調している。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Predicting Long-horizon Futures by Conditioning on Geometry and Time [49.86180975196375]
  我々は,過去を前提とした将来のセンサ観測の課題を探求する。 マルチモーダリティを扱える画像拡散モデルの大規模事前学習を活用する。 我々は、屋内と屋外のシーンにまたがる多様なビデオのセットについて、ビデオ予測のためのベンチマークを作成する。
  論文  参考訳（メタデータ） (2024-04-17T16:56:31Z)
• Privacy-preserving Early Detection of Epileptic Seizures in Videos [10.180183020927872]
  新たなフレームワーク(SETR-PKD)の導入によるビデオによるてんかん発作分類の開発に寄与する。 本フレームワークは, 患者のプライバシを保ちながら, 発作運動半減期をエンコードする, 発作映像から抽出した光学的フロー特徴に基づいて構築されている。 我々のフレームワークは、トニック・クロニック発作(TCS)を83.9%の精度でプライバシー保護方法で検出できる。
  論文  参考訳（メタデータ） (2023-09-15T22:29:07Z)
• Path Signatures for Seizure Forecasting [0.6282171844772422]
  患者固有の方法で発作を予測するための予測的特徴(バイオマーカー)の自動発見を検討する。 データストリームの解析における最近の進展であるパスシグネチャを用いて、測定時系列から発作予測までをマップする。
  論文  参考訳（メタデータ） (2023-08-18T05:19:18Z)
• Supervised and Unsupervised Deep Learning Approaches for EEG Seizure Prediction [2.3096751699592137]
  てんかんは世界中で5000万人以上の人に影響を与えており、世界でも有数の神経疾患の1つとなっている。 てんかん発作の発生を予測する能力は、てんかんの顔を持つ人のリスクやストレスを軽減する可能性がある。 入射前発作の前兆として, 正常脳波(preictal, pre-seizure)を検出する問題を定式化する。
  論文  参考訳（メタデータ） (2023-04-24T05:21:10Z)
• Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily Long Videos of Seizures [58.720142291102135]
  てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。 本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。 本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
  論文  参考訳（メタデータ） (2021-06-22T18:40:31Z)
• Patient-Specific Seizure Prediction Using Single Seizure Electroencephalography Recording [16.395309518579914]
  本稿では、ウェーブレット変換されたEEGテンソルを畳み込みニューラルネットワーク(CNN)をベースネットワークとし、脳波の変化点を検出するシームズニューラルネットワークに基づく発作予測手法を提案する。 本手法では, 発作予知に複数の発作を応用したモデルに比較して, 10分未満の先天的および間天的データに翻訳する訓練に1回の発作しか必要としない。
  論文  参考訳（メタデータ） (2020-11-14T03:45:17Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• A Primer on Motion Capture with Deep Learning: Principles, Pitfalls and Perspectives [67.34875595325597]
  このプライマーでは、深層学習によるモーションキャプチャーの芽生えた分野を概観する。 我々はこれらの新しいアルゴリズムの原理について議論し、その可能性と実験者の落とし穴を明らかにする。
  論文  参考訳（メタデータ） (2020-09-01T16:51:33Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Machine Learning for Predicting Epileptic Seizures Using EEG Signals: A Review [1.7959899851975951]
  脳波信号を用いた発作の早期予測における最先端ML手法のレビューを行う。 前もって予測できた場合、てんかん発作の悪影響から患者を救える。 MLベースのアルゴリズムには、てんかん発作の早期かつ正確な予測においてパラダイムシフトをもたらす可能性がある、エキサイティングな新しい展開がある。
  論文  参考訳（メタデータ） (2020-02-04T06:22:24Z)

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。