論文の概要: Optimizing EEG Graph Structure for Seizure Detection: An Information Bottleneck and Self-Supervised Learning Approach

• arxiv url: http://arxiv.org/abs/2604.01595v1
• Date: Thu, 02 Apr 2026 04:09:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.26024
• Title: Optimizing EEG Graph Structure for Seizure Detection: An Information Bottleneck and Self-Supervised Learning Approach
• Title（参考訳）: シーズーア検出のための脳波グラフ構造最適化:情報基盤と自己教師付き学習アプローチ
• Authors: Lincan Li, Rikuto Kotoge, Xihao Piao, Zheng Chen, Yushun Dong,
• Abstract要約: 脳波の発作検出の新しい視点として,認知された動的グラフ構造と情報的空間時間的表現を共同学習する。 我々のグラフは、EEGデータのノイズ特性を明示的に説明し、コンパクトで信頼性の高い接続パターンを生成する。 本手法は、発作検出における最先端のベースラインよりも優れており、発作動態に関する臨床的に有意義な洞察を提供する。
• 参考スコア（独自算出の注目度）: 18.046321072873656
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Seizure detection from EEG signals is highly challenging due to complex spatiotemporal dynamics and extreme inter-patient variability. To model them, recent methods construct dynamic graphs via statistical correlations, predefined similarity measures, or implicit learning, yet rarely account for EEG's noisy nature. Consequently, these graphs usually contain redundant or task-irrelevant connections, undermining model performance even with state-of-the-art architectures. In this paper, we present a new perspective for EEG seizure detection: jointly learning denoised dynamic graph structures and informative spatial-temporal representations guided by the Information Bottleneck (IB). Unlike prior approaches, our graph constructor explicitly accounts for the noisy characteristics of EEG data, producing compact and reliable connectivity patterns that better support downstream seizure detection. To further enhance representation learning, we employ a self-supervised Graph Masked AutoEncoder that reconstructs masked EEG signals based on dynamic graph context, promoting structure-aware and compact representations aligned with the IB principle. Bringing things together, we introduce Information Bottleneck-guided EEG SeizuRE DetectioN via SElf-Supervised Learning (IRENE), which explicitly learns dynamic graph structures and interpretable spatial-temporal EEG representations. IRENE addresses three core challenges: (i) Identifying the most informative nodes and edges; (ii) Explaining seizure propagation in the brain network; and (iii) Enhancing robustness against label scarcity and inter-patient variability. Extensive experiments on benchmark EEG datasets demonstrate that our method outperforms state-of-the-art baselines in seizure detection and provides clinically meaningful insights into seizure dynamics. The source code is available at https://github.com/LabRAI/IRENE.
• Abstract（参考訳）: 脳波信号からの青信号の検出は、複雑な時空間ダイナミクスと極端な患者間変動のため、非常に困難である。 これらをモデル化するために、最近の手法は統計的相関、事前定義された類似度尺度、暗黙の学習を通じて動的グラフを構築するが、脳波のノイズの性質を考慮に入れることは稀である。 その結果、これらのグラフは通常冗長またはタスク非関連な接続を含み、最先端アーキテクチャであってもモデル性能を損なう。 本稿では,脳波の発作検出の新しい視点として,認知された動的グラフ構造を共同学習し,インフォメーション・ボトルネック(IB)によって誘導される情報的空間時間表現を提案する。 従来の手法とは異なり、我々のグラフコンストラクタは、脳波データのノイズ特性を明示的に説明し、下流の発作検出をより良くサポートするコンパクトで信頼性の高い接続パターンを生成する。 表現学習をさらに強化するために、動的グラフコンテキストに基づいてマスキングされた脳波信号を再構成する自己教師付きグラフマスク付きオートエンコーダを用いて、IBの原理に沿った構造認識およびコンパクトな表現を促進する。 そこで我々は,Information Bottleneck-guided EEG SeizuRE DetectioNをSelf-Supervised Learning (IRENE)経由で導入し,動的グラフ構造と空間時間的EEG表現を明示的に学習する。 IRENEは3つの課題に対処する。 (i)最も情報性の高いノードとエッジを識別すること。 (二)脳ネットワークにおけるけいれんの伝播を説明すること、及び 三 ラベル不足及び患者間変動に対する堅牢性を高めること。 ベンチマーク脳波データを用いた広範囲な実験により, 発作検出における最先端のベースラインよりも優れており, 発作動態の臨床的意義が示唆された。 ソースコードはhttps://github.com/LabRAI/IRENEで公開されている。

関連論文リスト

• Spatial-Functional awareness Transformer-based graph archetype contrastive learning for Decoding Visual Neural Representations from EEG [3.661246946935037]
  本稿では,脳波に基づく視覚的デコーディングを強化するために,空間認識変換器を用いたグラフアーチタイプコントラスト学習(SFTG)フレームワークを提案する。 具体的には、空間的脳の接続性と時間的神経力学を同時に符号化する新しいグラフベースのニューラルアーキテクチャであるEEG Graph Transformer(EGT)を紹介する。 高い対象内変動を緩和するために,特徴の整合性とクラス分離性を改善するために,主観固有の脳波グラフアーチタイプを学習するグラフアーチタイプコントラスト学習(GAC)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T13:27:55Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• Joint-Embedding Masked Autoencoder for Self-supervised Learning of Dynamic Functional Connectivity from the Human Brain [16.62883475350025]
  グラフニューラルネットワーク(GNN)は、人間の脳ネットワークと表現型を区別するための動的機能接続の学習において、有望であることを示している。 本稿では,計算機ビジョンにおけるJEPA(Joint Embedding Predictive Architecture)からインスピレーションを得た,時空間連成型自動エンコーダ(ST-JEMA)について紹介する。
  論文  参考訳（メタデータ） (2024-03-11T04:49:41Z)
• Graph Convolutional Network with Connectivity Uncertainty for EEG-based Emotion Recognition [20.655367200006076]
  本研究では,脳波信号の空間依存性と時間スペクトルの相対性を表す分布に基づく不確実性手法を提案する。 グラフ混合手法は、遅延接続エッジを強化し、ノイズラベル問題を緩和するために用いられる。 感情認識タスクにおいて、SEEDとSEEDIVという2つの広く使われているデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2023-10-22T03:47:11Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)

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。