論文の概要: A Multimodal Pre-trained Network for Integrated EEG-Video Seizure Detection

• arxiv url: http://arxiv.org/abs/2604.26379v1
• Date: Wed, 29 Apr 2026 07:43:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.298894
• Title: A Multimodal Pre-trained Network for Integrated EEG-Video Seizure Detection
• Title（参考訳）: 統合脳波ビデオシーズーア検出のためのマルチモーダル事前学習ネットワーク
• Authors: Tong Lu, Ke Xu, Zimo Zhang, Zitong Zhao, Danwei Weng, Ruiyu Wang, Miao Liu, Zizuo Zhang, Jingyi Yao, Yixuan Zhao, Wenchao Zhang, Min Wang, Guoming Luan, Minmin Luo, Zhifeng Yue,
• Abstract要約: 本稿では,脳波表現,最適トランスポートアライメント,双方向ビデオエンコーディングを組み合わせたフレームワークであるEEGFusionを提案する。 EEVFusionは0.9718のバランス精度を達成し、イベントFARを2.7250 FP/hから0.4833 FP/hに削減した。 脳波予知とOTアライメントが事象の感度を保ちながら誤警報を減少させることを示した。
• 参考スコア（独自算出の注目度）: 25.989788685567607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable seizure detection in mouse models is essential for preclinical epilepsy research, yet manual review of synchronized video-EEG recordings is labor-intensive and single-modality systems fail for complementary reasons: video-based methods are easily confounded by benign behaviors, whereas EEG-based methods are vulnerable to ictal motion artifacts. We present EEGVFusion, a multimodal framework that combines self-supervised EEG representation learning, spatio-temporal video encoding, optimal-transport alignment, and bidirectional cross-attention to integrate neural and behavioral evidence. We also curate an expert-annotated dataset of synchronized EEG and video recordings comprising 93 sessions from 15 mice for training and evaluation. In the random-session split, EEGVFusion achieved a Balanced Accuracy of 0.9957 with perfect event sensitivity and an Event FAR of 0.6250 FP/h, indicating strong seizure detection performance with a low false-alarm burden. In a single held-out-subject evaluation with Subject 110 reserved for testing, EEGVFusion achieved a Balanced Accuracy of 0.9718 and reduced Event FAR from 2.7250 FP/h for the EEG-only counterpart to 0.4833 FP/h while preserving perfect event sensitivity. Targeted ablations further showed that EEG pre-training and OT alignment help reduce false alarms while preserving event sensitivity.
• Abstract（参考訳）: マウスモデルにおける信頼性の高い発作検出は、前臨床てんかん研究に不可欠であるが、同期ビデオEEG記録のマニュアルレビューは、労働集約的であり、単一のモダリティシステムは相補的な理由で失敗する。 本稿では,自律型脳波表現学習,時空間ビデオ符号化,最適トランスポートアライメント,双方向の相互アテンションを組み合わせたマルチモーダルフレームワークであるEEGVFusionについて述べる。 また,15マウスから93セッションを収録した,脳波とビデオ記録のエキスパートアノテートデータセットをキュレートし,訓練と評価を行った。 ランダムスプリットでは、EEGVFusionは完全なイベント感度で0.9957のバランス精度と0.6250 FP/hのイベントFARを達成した。 EEGVFusionは、テスト用に準備された1つの対象物の評価において、0.9718のバランス精度を達成し、イベントFARを2.7250 FP/hから0.4833 FP/hに削減し、完全なイベント感度を維持した。 さらに、脳波予知とOTアライメントが事象の感度を保ちながら誤警報を減少させることを示した。

関連論文リスト

• Integrating Multi-Agent Simulation, Behavioral Forensics, and Trust-Aware Machine Learning for Adaptive Insider Threat Detection [0.0]
  マルチエージェントシミュレーション(MAS)、階層型セキュリティ情報およびイベント管理(SIEM)を密に統合した適応型インサイダー脅威検出のためのハイブリッドフレームワークを提案する。 本研究では,階層型SIEM-Core (LSC) ,認知型SIEM (CE-SIEM) ,エビデンス型SIEM (EG-SIEM) ,エンロン型EG-SIEM-Enron の4種類のシステムについて検討した。
  論文  参考訳（メタデータ） (2026-01-06T01:57:10Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• ECG Latent Feature Extraction with Autoencoders for Downstream Prediction Tasks [2.2616169634370076]
  心電図(Electrocardiogram、ECG)は、安価で広く用いられる心臓評価用ツールである。 標準化されたフォーマットと小さなファイルサイズにもかかわらず、ECG信号の複雑さと個人間変動は、ディープラーニングモデルでの使用を困難にしている。 本研究は,代表的ビート心電図から特徴生成手法を探索することにより,これらの課題に対処する。 本稿では,3つの新しい変分自動エンコーダ(VAE)-Stochastic Autoencoder (SAE), Annealed beta-VAE (A beta-VAE), Cyclical beta VAE (C beta-VAE)を導入し,それらの維持効果を比較した。
  論文  参考訳（メタデータ） (2025-07-31T19:37:05Z)
• EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
  シングルリード信号に適した新しいECG不整脈分類ネットワークであるEXGnetを提案する。 トレーニング中のXAI監督は、そのモデルの注意を臨床的に関連する心電図領域に向ける。 短信号と長期信号の両方を効率的に捉えるために,革新的なマルチレゾリューションブロックを導入する。
  論文  参考訳（メタデータ） (2025-06-14T08:48:44Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• A Hybrid Artificial Intelligence System for Automated EEG Background Analysis and Report Generation [0.1874930567916036]
  本研究では,脳波の背景活動とレポート生成を自動的に解釈する,革新的なハイブリッド人工知能(AI)システムを提案する。 このシステムは、後続支配リズム(PDR)予測のためのディープラーニングモデル、教師なしアーティファクト除去、および異常検出のためのエキスパート設計アルゴリズムを組み合わせる。 このAIシステムは、全般的なバックグラウンドの減速を検知し、焦点異常の検出を改善することで神経学者を著しく上回った。
  論文  参考訳（メタデータ） (2024-11-15T01:49:17Z)
• 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)
• DeepBeat: A multi-task deep learning approach to assess signal quality and arrhythmia detection in wearable devices [0.0]
  我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。 我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。 2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
  論文  参考訳（メタデータ） (2020-01-01T07:41:28Z)

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。