論文の概要: Classification of Epileptic iEEG using Topological Machine Learning

• arxiv url: http://arxiv.org/abs/2604.11971v1
• Date: Mon, 13 Apr 2026 19:04:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.076546
• Title: Classification of Epileptic iEEG using Topological Machine Learning
• Title（参考訳）: トポロジカル機械学習を用いたてんかん性iEEGの分類
• Authors: Sunia Tanweer, Narayan Puthanmadam Subramaniyam, Firas A. Khasawneh,
• Abstract要約: 脳波信号からのてんかん発作の検出は、高次元性、非線形、潜在的に神経活動のダイナミクスを示すため、依然として困難である。 本研究では,多チャンネルデータを用いたてんかん患者の前頭葉,後頭葉および間頭葉のiEEG記録におけるトポロジカルデータ解析から得られた特徴が脳状態の分類を改善するか否かを検討する。
• 参考スコア（独自算出の注目度）: 0.13764085113103217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Epileptic seizure detection from EEG signals remains challenging due to the high dimensionality and nonlinear, potentially stochastic, dynamics of neural activity. In this work, we investigate whether features derived from topological data analysis (TDA) can improve the classification of brain states in preictal, ictal and interictal iEEG recordings from epilepsy patients using multichannel data. We analyze data from 55 patients, significantly larger than many previous studies that rely on patient-specific models. Persistence diagrams derived from iEEG signals are vectorized using several TDA representations, including Carlsson coordinates, persistence images, and template functions. To understand how topological representations interact with modern machine learning pipelines, we conduct a large-scale ablation study across multiple iEEG frequency bands, dimensionality reduction techniques, feature representations, and classifier architectures. Our experiments show that dimension-reduced topological representations achieve up to 80\% balanced accuracy for three-class classification. Interestingly, classical machine learning models perform comparably to deep learning models, achieving up to 79.17\% balanced accuracy, suggesting that carefully designed topological features can substantially reduce model complexity requirements. In contrast, pipelines preserving the full multichannel feature structure exhibit severe overfitting due to the high-dimensional feature space. These findings highlight the importance of structure-preserving dimensionality reduction when applying topology-based representations to multichannel neural data.
• Abstract（参考訳）: 脳波信号からのてんかん発作の検出は、高次元性、非線形、潜在的に確率的、神経活動のダイナミクスのため、依然として困難である。 本研究では,多チャンネルデータを用いたてんかん患者の前頭葉,後頭葉および間頭葉iEEG記録におけるトポロジカルデータ解析(TDA)から得られた特徴が脳状態の分類を改善するか否かを検討する。 我々は、患者固有のモデルに依存する多くの研究よりもはるかに大きい55人の患者のデータを分析した。 iEEG信号から得られる永続図は、カールソン座標、永続画像、テンプレート関数など、いくつかのTDA表現を用いてベクトル化される。 トポロジカル表現が現代の機械学習パイプラインとどのように相互作用するかを理解するために、複数のiEEG周波数帯域、次元減少技術、特徴表現、分類器アーキテクチャをまたいだ大規模なアブレーション研究を行う。 実験の結果,次元再現型位相表現は3クラス分類において最大80 %の平衡精度が得られることがわかった。 興味深いことに、古典的な機械学習モデルはディープラーニングモデルと互換性があり、79.17\%のバランスの取れた精度を実現している。 対照的に、全マルチチャネル特徴構造を保存するパイプラインは、高次元の特徴空間のため、高度にオーバーフィッティングされている。 これらの知見は、トポロジに基づく表現をマルチチャネルニューラルデータに適用する場合、構造保存次元減少の重要性を強調した。

関連論文リスト

• DOGMA: Weaving Structural Information into Data-centric Single-cell Transcriptomics Analysis [43.565183518761984]
  生データの構造的再構成と意味的拡張を目的としたデータ中心型フレームワークであるDOGMAを提案する。 複雑な多種多様なベンチマークにおいて、DOGMA SOTA性能は優れたゼロショットロバスト性とサンプル効率を示す。
  論文  参考訳（メタデータ） (2026-02-02T09:10:09Z)
• WaveNet's Precision in EEG Classification [1.0885910878567457]
  本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。 モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。 WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
  論文  参考訳（メタデータ） (2025-10-10T09:21:21Z)
• Structural Connectome Harmonization Using Deep Learning: The Strength of Graph Neural Networks [0.9663199711697325]
  構造コネクトーム(SC)研究における小さなサンプルサイズは、神経学的および精神疾患に対する信頼性の高いバイオマーカーの開発を制限する。 大規模なマルチサイト研究は存在するが、スキャナーの不均一性による買収関連バイアスがある。 本稿では,メタデータを必要とせず,多様な取得サイト間でSCを調和させる,サイト条件の深い調和フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-18T14:58:05Z)
• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• 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)
• Physiological neural representation for personalised tracer kinetic parameter estimation from dynamic PET [0.7147474215053953]
  本稿では,暗黙的ニューラル表現(INR)に基づく生理的ニューラル表現を提案する。 連続関数を学習するINRは、データ要求を低減した効率的な高分解能パラメトリックイメージングを可能にする。 以上の結果から,INRsが腫瘍の性状,セグメンテーション,予後評価に応用できるパーソナライズされたデータ効率トレーサの速度論的モデリングに有用であることが示唆された。
  論文  参考訳（メタデータ） (2025-04-23T22:12:04Z)
• Dataset Distillation for Histopathology Image Classification [46.04496989951066]
  病理画像データセット(Histo-DD)に適した新しいデータセット蒸留アルゴリズムを提案する。 提案アルゴリズムの有効性を総合的に評価し, パッチレベルとスライドレベルの両方の分類タスクにおいて, 組織学的サンプルを生成する。
  論文  参考訳（メタデータ） (2024-08-19T05:53:38Z)
• ADformer: A Multi-Granularity Spatial-Temporal Transformer for EEG-Based Alzheimer Detection [42.72554952799386]
  脳波は、アルツハイマー病(AD)の検出において神経科医を支援する費用効率が高く効率的なツールとして登場した 生の脳波信号から時間的特徴と空間的特徴の両方を捉えるために設計された新しい多粒度時空間変換器であるADformerを提案する。 実験の結果、ADformerは既存の手法を一貫して上回り、被験者レベルのF1スコアは92.82%、89.83%、67.99%、83.98%となっている。
  論文  参考訳（メタデータ） (2024-08-17T14:10:41Z)
• TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
  本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。 また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
  論文  参考訳（メタデータ） (2024-05-27T05:45:51Z)
• Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-05-06T06:23:06Z)
• Interpreting Deep Learning Models for Epileptic Seizure Detection on EEG signals [4.748221780751802]
  ディープラーニング(DL)は、しばしば人工知能ベースの医療意思決定支援の最先端とみなされます。 臨床現場では未だに実装されており、ニューラルネットワークモデルの解釈能力が不十分なため、臨床医の信頼は低い。 脳波信号に基づくてんかん発作のオンライン検出の文脈で解釈可能なDLモデルを開発することでこの問題に対処した。
  論文  参考訳（メタデータ） (2020-12-22T11:10:23Z)

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。