論文の概要: A Machine Learning Framework for EEG-Based Prediction of Treatment Efficacy in Chronic Neck Pain
- arxiv url: http://arxiv.org/abs/2605.16326v1
- Date: Tue, 05 May 2026 10:09:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 12:34:33.888789
- Title: A Machine Learning Framework for EEG-Based Prediction of Treatment Efficacy in Chronic Neck Pain
- Title（参考訳）: 脳波による慢性ネック痛の治療効果予測のための機械学習フレームワーク
- Authors: Xiru Wang, Aiden Li, Hongzhao Tan, Stevie Foglia, Aimee Nelson, Zhen Gao,
- Abstract要約: 慢性頸部痛患者の治療効果を予測するために脳波を用いた機械学習フレームワークを提案する。
このフレームワークは、各EEG記録タイプの特性に合わせて、厳密なデータ前処理ステージを中心としている。
- 参考スコア（独自算出の注目度）: 2.5128169337349786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Chronic neck pain is a leading cause of disability worldwide, and current treatment selection remains largely trial and error. We present a machine learning framework that uses electroencephalography to predict treatment efficacy in patients with chronic neck pain, with the goal of supporting individualized therapy and reducing the burden on healthcare systems. The framework centers on a rigorous data preprocessing stage tailored to the characteristics of each EEG recording type. For resting-state EEG, the preprocessing pipeline comprises baseline signal removal, bad channel identification and exclusion, re-referencing, bandpass and notch filtering, Independent Component Analysis, and power spectral density analysis. For motor execution and motor imagery recordings, the same initial steps are applied, after which signals are aligned to trigger events so that event-related desynchronization (ERD) and event-related synchronization (ERS) can be quantified. Synchronously recorded electromyography data are bandpass filtered and smoothed with a moving average, then correlated with the corresponding EEG channels to characterize the EEG EMG relationship during attempted movement. In parallel, we performed an extensive literature review of machine learning models applied to clinical EEG (763 records initially screened, 16 patient and 47 healthy-control studies retained), to inform the post-processing strategy. Through this combined preprocessing and review effort, we aim to develop a robust predictive model that can support personalized healthcare strategies in chronic pain management.
- Abstract（参考訳）: 慢性の首の痛みは世界中で障害の主な原因であり、現在の治療選択は主に試行錯誤である。
本稿では,脳波を用いて慢性頸部痛患者の治療効果を予測する機械学習フレームワークを提案する。
このフレームワークは、各脳波記録タイプの特性に合わせた厳格なデータ前処理ステージを中心にしている。
静止状態脳波の場合、前処理パイプラインは、ベースライン信号の除去、チャンネルの識別と排除、再参照、バンドパスとノッチフィルタリング、独立成分分析、パワースペクトル密度解析を含む。
モータ実行およびモータ画像記録には、同じ初期ステップが適用され、その後、信号がトリガーイベントにアライメントされ、イベント関連デ同期(ERD)とイベント関連同期(ERS)が定量化される。
同期記録した筋電図データをバンドパスフィルタし,移動平均で平滑化し,対応する脳波チャネルと相関させて,運動中の脳波EMG関係を特徴付ける。
同時に,臨床脳波(当初は763件,患者16件,健康管理研究47件)に適用した機械学習モデルについて,広範囲にわたる文献レビューを行い,後処理戦略について報告する。
この前処理とレビューの併用により、慢性的な痛み管理においてパーソナライズされた医療戦略を支援する堅牢な予測モデルの開発を目指す。
関連論文リスト
- Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
心電図による心臓の異常は, 長期分布により検出が困難である。
我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。
本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
論文 参考訳（メタデータ） (2026-03-20T07:04:00Z) - A Novel end-to-end Digital Health System Using Deep Learning-based ECG Analysis [1.8665030569912726]
AI-HEART(AI-HEART)は、長期心電図(ECG)の記録を管理し分析するためのクラウドベースの情報システムである。
システムは、複数日間の3段階のECGを取り込み、入力を正規化し、信号前処理を行い、ディープニューラルネットワークを使用して波のデライン化、ノイズ/品質検出、ビートレベルとリズムレベルの不整脈分類を行う。
論文 参考訳（メタデータ） (2026-02-28T17:29:37Z) - LookAroundNet: Extending Temporal Context with Transformers for Clinically Viable EEG Seizure Detection [0.0]
LookAroundNetは、脳波データのより広い時間的ウィンドウを使用して発作活動をモデル化するトランスフォーマーベースの発作検出装置である。
様々な臨床環境にまたがる複数の脳波データセットについて,提案手法の評価を行った。
論文 参考訳（メタデータ） (2026-01-09T18:52:24Z) - EEG-Based Acute Pain Classification: Machine Learning Model Comparison and Real-Time Clinical Feasibility [0.0]
病院内の現在の痛み評価は、しばしば自己申告または非特異的なEKGバイタルサインに依存している。
脳波(EEG)は、脳活動を測定する非侵襲的な方法である。
論文 参考訳（メタデータ） (2025-10-07T01:57:36Z) - Trial-Level Time-frequency EEG Desynchronization as a Neural Marker of Pain [0.0]
痛みは依然として最も強い健康上の課題の1つだが、その測定は依然として自己申告に大きく依存している。
EEGは、侵害受容処理の再現可能なマーカーを特定するための有望な道を提供する。
電気刺激を受けた健常者59名を対象に,高密度脳波解析を行った。
論文 参考訳（メタデータ） (2025-09-09T09:19:23Z) - EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。
EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。
第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
論文 参考訳（メタデータ） (2025-08-19T11:12:58Z) - A Complex UNet Approach for Non-Invasive Fetal ECG Extraction Using Single-Channel Dry Textile Electrodes [40.11095094521714]
胎児心電図(fECG)は、臨床環境を超えて胎児の健康を評価するための有望なツールである。
このセットアップは、fECG信号の正確な抽出を複雑にするノイズやモーションアーチファクトの増加など、多くの課題を提示している。
ドライテキスタイル電極を用いた単チャンネル記録からAI技術を用いてfECGを抽出する先駆的手法を提案する。
論文 参考訳（メタデータ） (2025-06-16T20:35:52Z) - From Epilepsy Seizures Classification to Detection: A Deep Learning-based Approach for Raw EEG Signals [1.731119436110423]
側頭葉てんかんの3分の1は薬剤耐性を示す。
抗敗血症薬開発の鍵となるのはてんかん発作の検出と定量化である。
本研究では,脳波信号に適用した深層学習モデルに基づく発作検出パイプラインを提案する。
論文 参考訳（メタデータ） (2024-10-04T12:52:37Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳（メタデータ） (2023-10-24T11:34:15Z)
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。