Fugu-MT 論文翻訳(概要): Epileptic Seizure Prediction Using Patient-Adaptive Transformer Networks

論文の概要: Epileptic Seizure Prediction Using Patient-Adaptive Transformer Networks

arxiv url: http://arxiv.org/abs/2603.26821v1
Date: Thu, 26 Mar 2026 23:48:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-31 23:18:44.643576
Title: Epileptic Seizure Prediction Using Patient-Adaptive Transformer Networks
Title（参考訳）: 患者適応型変圧器ネットワークを用いたてんかん発作予測
Authors: Mohamed Mahdi, Asma Baghdadi,
Abstract要約: 本稿では,短時間の発作予測のための患者適応型トランスフォーマーフレームワークを提案する。提案手法には2段階のトレーニング戦略が採用されている: 自己教師型プレトレーニングは、まず一般的な脳波の時間的表現を学習するために使用される。変換器に基づくシーケンス学習を実現するために、ノイズ認識前処理を用いてマルチチャネル脳波信号を処理する。
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: Epileptic seizure prediction from electroencephalographic (EEG) recordings remains challenging due to strong inter-patient variability and the complex temporal structure of neural signals. This paper presents a patient-adaptive transformer framework for short-horizon seizure forecasting. The proposed approach employs a two-stage training strategy: self-supervised pretraining is first used to learn general EEG temporal representations through autoregressive sequence modeling, followed by patient-specific fine-tuning for binary prediction of seizure onset within a 30-second horizon. To enable transformer-based sequence learning, multichannel EEG signals are processed using noise-aware preprocessing and discretized into tokenized temporal sequences. Experiments conducted on subjects from the TUH EEG dataset demonstrate that the proposed method achieves validation accuracies above 90% and F1 scores exceeding 0.80 across evaluated patients, supporting the effectiveness of combining self-supervised representation learning with patient-specific adaptation for individualized seizure prediction.
Abstract（参考訳）: 脳波記録によるてんかん発作の予測は, 患者間変動が強く, 神経信号の時間構造が複雑であったため, 依然として困難である。本稿では,短時間の発作予測のための患者適応型トランスフォーマーフレームワークを提案する。自己教師型プレトレーニングは、まず自己回帰的シーケンスモデリングにより、一般的な脳波の時間的表現を学習するために使用され、続いて患者固有の微調整により、30秒の地平線内での発作発生のバイナリ予測を行う。トランスフォーマーに基づくシーケンス学習を実現するために、ノイズ認識前処理を用いてマルチチャネル脳波信号を処理し、トークン化された時間列に識別する。 TUH EEGデータセットの被験者を対象に行った実験により, 評価対象患者に対して90%以上, F1スコアが0.80以上, F1スコアが0。

関連論文リスト

Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction [45.67071315035565]
術中低血圧は外科的危険を伴うが、患者固有の変動性のために正確な予測は困難である。 CSA-TTA(Cross-Sample Augmented Test-Time Adaptation framework)を提案する。提案したCSA-TTAを,現在最先端の時系列予測モデルと統合することで,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。
論文参考訳（メタデータ） (2025-12-12T08:02:37Z)
Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-27T02:27:10Z)
EEG-Based Inter-Patient Epileptic Seizure Detection Combining Domain Adversarial Training with CNN-BiLSTM Network [1.9662978733004604]
畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BiLSTM)を併用したドメイン逆行訓練の検知フレームワークを提案する。局所てんかん20例の脳波記録による評価は,非逆行法よりも優れていた。対人訓練と時間的モデリングの統合により、堅牢な患者間発作検出が可能となる。
論文参考訳（メタデータ） (2025-05-21T07:27:55Z)
SincVAE: A new semi-supervised approach to improve anomaly detection on EEG data using SincNet and variational autoencoder [0.0]
本研究では,脳波データからてんかん発作を検出するための半教師付きアプローチを提案する。以上の結果から,SncVAEは脳波データにおける発作検出を改善し,早期発作の早期発見と術後経過のモニタリングが可能であることが示唆された。
論文参考訳（メタデータ） (2024-06-25T13:21:01Z)
EEG-Based Epileptic Seizure Prediction Using Temporal Multi-Channel Transformers [1.0970480513577103]
てんかんは最も一般的な神経疾患の1つで、てんかん発作と呼ばれる過渡期および未発症の事象を特徴とする。脳波はてんかんの診断とモニタリングを補助的に行う方法である。てんかん発作の予期せぬ性質を考えると、その予測は患者のケアを改善し、生活の質とてんかんの治療を最適化する。
論文参考訳（メタデータ） (2022-09-18T03:03:47Z)
Multichannel Synthetic Preictal EEG Signals to Enhance the Prediction of Epileptic Seizures [4.446776063493561]
合成多チャンネル脳波前駆体サンプルを生成するために, 生成逆数ネットワークに基づくプレクタル人工信号合成アルゴリズムを提案する。また, ES予測性能を, 合成前駆体試料増量なしで比較することにより, 合成試料の有効性を評価した。
論文参考訳（メタデータ） (2022-04-29T03:33:47Z)
Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文参考訳（メタデータ） (2021-12-18T14:17:49Z)
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)
STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文参考訳（メタデータ） (2020-12-08T21:21:47Z)
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)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。