論文の概要: Epileptic Seizure Detection in Separate Frequency Bands Using Feature Analysis and Graph Convolutional Neural Network (GCN) from Electroencephalogram (EEG) Signals

• arxiv url: http://arxiv.org/abs/2604.00163v1
• Date: Tue, 31 Mar 2026 19:11:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.687113
• Title: Epileptic Seizure Detection in Separate Frequency Bands Using Feature Analysis and Graph Convolutional Neural Network (GCN) from Electroencephalogram (EEG) Signals
• Title（参考訳）: 脳波(EEG)信号からの特徴解析とグラフ畳み込みニューラルネットワーク(GCN)を用いた周波数帯域の懐疑的地震検出
• Authors: Ferdaus Anam Jibon, Fazlul Hasan Siddiqui, F. Deeba, Gahangir Hossain,
• Abstract要約: てんかん発作(Epileptic seizures)は、脳の異常で過剰な電気活動が特徴の神経疾患である。 脳波信号は、時間的および空間的な神経力学を捉える能力により、発作の診断に広く用いられている。 本研究は,脳波解析に基づくてんかん発作検出のための周波数認識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）: 0.5599792629509229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Epileptic seizures are neurological disorders characterized by abnormal and excessive electrical activity in the brain, resulting in recurrent seizure events. Electroencephalogram (EEG) signals are widely used for seizure diagnosis due to their ability to capture temporal and spatial neural dynamics. While recent deep learning methods have achieved high detection accuracy, they often lack interpretability and neurophysiological relevance. This study presents a frequency-aware framework for epileptic seizure detection based on ictal-phase EEG analysis. The raw EEG signals are decomposed into five frequency bands (delta, theta, alpha, lower beta, and higher beta), and eleven discriminative features are extracted from each band. A graph convolutional neural network (GCN) is then employed to model spatial dependencies among EEG electrodes, represented as graph nodes. Experiments on the CHB-MIT scalp EEG dataset demonstrate high detection performance, achieving accuracies of 97.1%, 97.13%, 99.5%, 99.7%, and 51.4% across the respective frequency bands, with an overall broadband accuracy of 99.01%. The results highlight the strong discriminative capability of mid-frequency bands and reveal frequency-specific seizure patterns. The proposed approach improves interpretability and diagnostic precision compared to conventional broadband EEG-based methods.
• Abstract（参考訳）: てんかん発作(英: Epileptic seizures)は、脳の異常な電気活動と過剰な電気活動によって引き起こされる神経疾患である。 脳波(EEG)信号は、時間的および空間的神経動態を捉える能力により、発作の診断に広く用いられている。 近年の深層学習法は高い検出精度を達成しているが、解釈可能性や神経生理学的関連性が欠如していることが多い。 本研究は,脳波解析に基づくてんかん発作検出のための周波数認識フレームワークを提案する。 生の脳波信号を5つの周波数帯域(デルタ、セタ、アルファ、低ベータ、高ベータ)に分解し、各帯域から11個の識別特徴を抽出する。 その後、グラフ畳み込みニューラルネットワーク(GCN)を用いて、グラフノードとして表されるEEG電極間の空間依存性をモデル化する。 CHB-MITの頭皮脳波データセットの実験では、97.1%、97.13%、99.5%、99.7%、51.4%という高い検出性能を示し、全体的なブロードバンドの精度は99.01%である。 その結果、中周波帯の強い識別能力を強調し、周波数特異的な発作パターンを明らかにした。 提案手法は従来のブロードバンド脳波法と比較して解釈可能性と診断精度を向上させる。

関連論文リスト

• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
  EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。 第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
  論文  参考訳（メタデータ） (2025-08-19T11:12:58Z)
• 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)
• The use of Multi-domain Electroencephalogram Representations in the building of Models based on Convolutional and Recurrent Neural Networks for Epilepsy Detection [1.4785447770765987]
  てんかんは世界中で約5000万人に影響を与えており、治療は依然として困難である。 EEGデータは専門家間でのばらつきの傾向があり、自動化されたソリューションの必要性を強調している。 この研究は、時間、周波数、時間周波数領域でEEGデータに基づいてトレーニングされたディープニューラルネットワークを体系的に比較する。 その結果、周波数領域データは97%を超える検出基準を達成し、より正確で信頼性の高い発作検出システムのための堅牢な基盤を提供することが示された。
  論文  参考訳（メタデータ） (2025-04-24T19:50:48Z)
• Wavelet Analysis of Noninvasive EEG Signals Discriminates Complex and Natural Grasp Types [0.14999444543328289]
  本研究の目的は,脳波を用いた神経補綴器開発と脳-コンピュータ・インタフェース(BCI)の応用を目的とした脳波からの握手をデコードすることである。
  論文  参考訳（メタデータ） (2024-01-31T23:13:38Z)
• Optimized EEG based mood detection with signal processing and deep neural networks for brain-computer interface [0.0]
  本研究の目的は,脳波と被験者の気分との関係を識別するスマート意思決定モデルを確立することである。 健康な28人の被験者の脳波は同意を得て観測され、気分を研究・認識する試みがなされている。 これらの技術を用いて、96.01%の検出精度が得られた。
  論文  参考訳（メタデータ） (2023-03-30T15:23:24Z)
• Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis [1.3416169841532526]
  脳の異常活動パターンの同定における刺激非依存型脳波の有用性を示す。 複数の周波数帯域を組み込んだ一般化モデルでは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付けるのがより効率的である。 本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。
  論文  参考訳（メタデータ） (2022-11-23T00:28:41Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• 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。