論文の概要: DANCE: Detect and Classify Events in EEG

• arxiv url: http://arxiv.org/abs/2605.10688v1
• Date: Mon, 11 May 2026 15:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.923605
• Title: DANCE: Detect and Classify Events in EEG
• Title（参考訳）: DANCE: 脳波におけるイベントの検出と分類
• Authors: Jarod Lévy, Hubert Banville, Jérémy Rapin, Jean-Remi King, Thomas Moreau, Stéphane d'Ascoli,
• Abstract要約: 我々は、ニューラルネットワークをセット予測問題としてフレーム化するディープラーニングパイプラインであるDANCEを紹介した。 我々のモデルは、認知、臨床、BCIのタスクにおいて、既存の手法よりも優れています。 全体として,本手法はエンドツーエンドの非同期ニューラルデコードモデルへの一歩となる。
• 参考スコア（独自算出の注目度）: 10.621387184936703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event identification in continuous neural recordings is a critical task in neuroscience. Decoding in EEG is dominated by classifying windows aligned to known event onsets. However, while available in controlled experiments, such onsets are absent in continuous real-world monitoring. Here, we introduce DANCE, a deep learning pipeline that frames neural decoding as a set-prediction problem and jointly detects and classifies events directly from raw, unaligned signals. Evaluated separately on ten datasets curated from the literature with a wide variety of event types (ranging from milliseconds to minutes in duration), our model outperforms existing methods on a broad range of cognitive, clinical and BCI tasks. This single architecture establishes a new state of the art in the competitive task of seizure monitoring and matches the accuracy of onset-informed models for BCI tasks. Overall, our method marks a step towards end-to-end asynchronous neural decoding models
• Abstract（参考訳）: 連続神経記録における事象の同定は神経科学における重要な課題である。 EEGのデコーディングは、既知のイベントのオンセットに整列したウィンドウの分類によって支配される。 しかし、制御された実験では利用できるが、そのようなオンセットは連続的な実世界のモニタリングでは欠落している。 本稿では,ニューラルデコーディングをセット予測問題として扱うディープラーニングパイプラインであるDANCEを紹介し,生の非整合信号から直接イベントを検出し,分類する。 各種イベントタイプ(ミリ秒から数分)の文献から収集した10のデータセットを別々に評価し,認知,臨床,BCIのタスクにおいて既存の手法よりも優れていた。 この単一のアーキテクチャは、アセプション監視の競合タスクにおける新しい最先端技術を確立し、BCIタスクのオンセットインフォームドモデルの精度と一致する。 全体として、我々の手法はエンドツーエンドの非同期ニューラルデコードモデルへの一歩となる。

関連論文リスト

• UniBCI: Towards a Unified Pretrained Model for Invasive Brain-Computer Interfaces [7.71021447675552]
  既存のアプローチでは、限られたスケールの異種データ、クロスドメインの分散シフト、トレーニング可能なニューラルネットワークの削減など、重要な課題に直面している。 本研究では、侵襲的脳インターフェイスのための統合された事前学習モデルを提案する。 結果は、UniBCIが汎用神経基盤モデルへの実践的なステップを提供することを示唆している。
  論文  参考訳（メタデータ） (2026-04-30T06:30:24Z)
• Learning a Neural Association Network for Self-supervised Multi-Object Tracking [39.65022597490719]
  本稿では,多目的追跡のためのデータアソシエーションを自己管理的に学習するための新しいフレームワークを提案する。 本稿では,検出と追跡を関連付けるためにニューラルネットワークをトレーニングする新しい予測(EM)アルゴリズムを提案する。 我々は,挑戦的なMOT17,MOT20,BDD100Kデータセットに対するアプローチを評価し,最先端の結果を得た。
  論文  参考訳（メタデータ） (2024-11-18T12:22:29Z)
• DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
  生成学習の観点からSED問題を再構築する。 具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。 トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
  論文  参考訳（メタデータ） (2023-08-14T17:29:41Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Avoiding Post-Processing with Event-Based Detection in Biomedical Signals [69.34035527763916]
  学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。 イベントベースのモデリング(後処理なし)は、広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-09-22T13:44:13Z)
• Improving self-supervised pretraining models for epileptic seizure detection from EEG data [0.23624125155742057]
  本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。 自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
  論文  参考訳（メタデータ） (2022-06-28T17:15:49Z)
• A Deep Learning Approach for the Segmentation of Electroencephalography Data in Eye Tracking Applications [56.458448869572294]
  脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。 エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。 我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
  論文  参考訳（メタデータ） (2022-06-17T10:17:24Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• RED: Deep Recurrent Neural Networks for Sleep EEG Event Detection [0.0]
  我々は、リカレントイベント検出器(RED)と呼ばれる睡眠脳波イベント検出のための深層学習手法を提案する。 REDは2つの入力表現のうちの1つを使用している:a) 時間領域のEEG信号、またはb) 連続ウェーブレット変換(CWT)で得られる信号の複素スペクトル。 MASSデータセットで評価すると、我々の検出器は、それぞれ80.9%と82.6%の平均F1スコアで睡眠スピンドルとK-プレプレックス検出の両方において、技術の現状より優れています。
  論文  参考訳（メタデータ） (2020-05-15T21:48:26Z)

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。