論文の概要: DeepTokenEEG Enhancing Mild Cognitive Impairment and Alzheimers Classification via Tokenized EEG Features
- arxiv url: http://arxiv.org/abs/2605.15009v1
- Date: Thu, 14 May 2026 16:10:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.933221
- Title: DeepTokenEEG Enhancing Mild Cognitive Impairment and Alzheimers Classification via Tokenized EEG Features
- Title（参考訳）: DeepTokenEEGによる軽度認知障害とアルツハイマーの分類
- Authors: Thinh Nguyen-Quang, Minh Long Ngo, Ngoc-Son Nguyen, Nguyen Thanh Vinh, Huy-Dung Han, Bui Thanh Tung, Nguyen Quang Linh, Khuong Vo, Manoj Vishwanath, Hung Cao,
- Abstract要約: アルツハイマー病(AD)の診断を目的とした新しい軽量・高性能モデルDeepTokenEEGの開発
従来の重み付けモデルとは異なり、DeepTokenEEGは、AD関連バイオマーカーを効果的にキャプチャする空間的および時間的トークン化剤を人工化する。
DeepTokenEEGは特定の周波数帯で記録された最大精度を100%達成し、最先端の手法よりも1.41-15.35%向上した。
- 参考スコア（独自算出の注目度）: 1.5567541813985162
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The detection of Alzheimers disease (AD) is considered crucial, as timely intervention can improve patient outcomes. Electroencephalogram (EEG)-based diagnosis has been recognized as a non-invasive, accessible, and cost-effective approach for AD detection; however, it faces challenges related to data availability, accuracy of modern deep learning methods, and the time-consuming nature of expert-based interpretation. In this study, a novel lightweight and high-performance model, DeepTokenEEG, was designed for the diagnosis of AD and the classification of EEG signals from AD patients, individuals with other neurological conditions, and healthy subjects. Unlike traditional heavy-weight models, DeepTokenEEG ultilizes spatial and temporal tokenizer that effectively captures AD-related biomarkers in both temporal and frequency domain with only 0.29 million paramaters. Trained in a combined dataset of 274 subjects, including 180 AD cases, and 94 healthy controls, the proposed method achieves a maximum recorded accuracy of 100% on specific frequency bands, representing an improvement of 1.41-15.35% over state-of-the-art methods on the same dataset. These results indicate the potential of DeepTokenEEG for early detection and screening of AD, with promising applicability for deployment due to its compact size.
- Abstract（参考訳）: アルツハイマー病(AD)の検出は、タイムリーな介入が患者の結果を改善できるため、極めて重要であると考えられている。
脳波(EEG)に基づく診断は、AD検出の非侵襲的、アクセス可能で、費用効果の高いアプローチとして認識されているが、データの可用性、現代のディープラーニング手法の正確性、専門家による解釈の時間のかかる性質に関する課題に直面している。
本研究では,ADの診断とAD患者,他の神経疾患の患者,健康な被験者からの脳波信号の分類を目的として,新しい軽量・高性能モデルであるDeepTokenEEGを考案した。
従来の重み付けモデルとは異なり、DeepTokenEEGは空間的および時間的トークン化器を培養し、時間的および周波数的領域のAD関連バイオマーカーを0.29百万パラマターで効果的にキャプチャする。
提案手法は,約180件のAD症例と94件の健康管理を含む274件の被験者からなるデータセットを用いて学習し,同一データセット上での最先端手法よりも1.41～15.35%向上したことを示す。
これらの結果は,ADの早期検出およびスクリーニングにおけるDeepTokenEEGの可能性を示している。
関連論文リスト
- Machine learning-enhanced non-amnestic Alzheimer's disease diagnosis from MRI and clinical features [0.5523548738241298]
認知機能検査とMRIによる海馬萎縮の評価により,ほとんどのアルツハイマー病 (AD) 診断が記憶クリニックで行われている。
非定型的提示(atAD)を有するAD患者の実質的なサブグループは、日常的に誤診される。
本稿では,臨床検査用バッテリと標準医療として収集したMRIデータを用いて,atADと非AD認知障害を区別する機械学習手法を提案する。
論文 参考訳（メタデータ） (2026-01-21T23:32:17Z) - ADHDeepNet From Raw EEG to Diagnosis: Improving ADHD Diagnosis through Temporal-Spatial Processing, Adaptive Attention Mechanisms, and Explainability in Raw EEG Signals [0.5408890608048686]
注意欠陥多動性障害(ADHD)は、成人まで持続できる小児の脳障害である。
本稿では,Deep Learning(DL)アプローチとElectroencephalogram(EEG)信号を活用することで,ADHDの診断精度とタイムラインを改善する新しい手法を提案する。
本稿では,脳波信号に最適化された時間空間特性,アテンションモジュール,説明可能性技術を利用したDLモデルであるADHDeepNetを紹介する。
論文 参考訳（メタデータ） (2025-09-10T17:07:00Z) - LEAD: Large Foundation Model for EEG-Based Alzheimer's Disease Detection [9.286594823355363]
認知症における脳波解析のための最初の大規模基礎モデルであるLEADを提案する。
私たちは、12のデータセット(AD関連3つ、非AD9つ)で事前トレーニングを行い、4つのADデータセットで微調整/テストを行いました。
10基のベースラインと比較して、LEADは一貫して被写体レベルの検出性能が優れている。
論文 参考訳（メタデータ） (2025-02-02T04:19:35Z) - STIED: A deep learning model for the SpatioTemporal detection of focal Interictal Epileptiform Discharges with MEG [0.08030359871216612]
脳磁図(MEG)を用いたてんかん間葉状放電(IED)の非侵襲的検出
深層学習(DL)は臨床MEGの実践に革命をもたらす可能性がある。
我々は,2つの畳み込みニューラルネットワークと時間的(1次元時間軸)および空間的(2次元トポグラフィー)特徴を組み合わせた,強力で教師付きなDLアルゴリズムであるSTIEDを開発した。
論文 参考訳（メタデータ） (2024-10-30T18:41:22Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - Detecting and clustering swallow events in esophageal long-term high-resolution manometry [48.688209040613216]
深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。
われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
論文 参考訳（メタデータ） (2024-05-02T09:41:31Z) - Exploring linguistic feature and model combination for speech
recognition based automatic AD detection [61.91708957996086]
音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。
専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。
本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
論文 参考訳（メタデータ） (2022-06-28T05:09:01Z) - Characterizing TMS-EEG perturbation indexes using signal energy: initial
study on Alzheimer's Disease classification [48.42347515853289]
経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示す。
本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。
論文 参考訳（メタデータ） (2022-04-29T19:27:06Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。