論文の概要: Classification of IED-free EEG Responses for Assisted Epilepsy Diagnosis
- arxiv url: http://arxiv.org/abs/2605.22858v1
- Date: Tue, 19 May 2026 12:12:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 17:29:20.001412
- Title: Classification of IED-free EEG Responses for Assisted Epilepsy Diagnosis
- Title（参考訳）: てんかん診断のためのIEDフリー脳波応答の分類
- Authors: Giacomo Zanardini, Ryan Moesman, Paul van der Kleij, Robert van den Berg, Justin Dauwels,
- Abstract要約: 脳波が間膜てんかん性放電(IED)を欠いている場合、てんかんの診断は困難である
そこで本研究では,脳波記録を再現可能なパイプラインで分類し,刺激処理中に取得した脳波記録を分類する。
刺激誘発活性,特にIPSは,IEDフリーてんかん分類において有意な識別情報を含むことを示す。
- 参考スコア（独自算出の注目度）: 6.789788304919291
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diagnosing epilepsy is challenging when routine EEGs lack interictal epileptiform discharges (IEDs). Intermittent photic stimulation (IPS) and hyperventilation (HV) can increase diagnostic yield, but their interpretation is subjective. We propose a reproducible pipeline that classifies EEG recordings acquired during stimulation procedures, using machine-learning features spanning temporal, spectral, wavelet, and connectivity domains, and a stacked ensemble to combine complementary feature sets. Performance is evaluated with leave-one-subject-out (LOSO) cross-validation on the TUH Epilepsy Corpus and a clinical Erasmus MC (EMC) cohort, including IED-free analyses on TUH. On TUH, ensembles achieve up to 97.8\% AUC / 93.1\% BAC on IED-free resting-state EEG and 94.1\% AUC / 86.8\% BAC on IED-free IPS. On EMC, IPS provides the strongest discrimination (79.4\% AUC / 73.9\% BAC), while HV performance benefits from stratifying subjects by responsiveness. These results indicate that stimulation-evoked activity, particularly IPS, contains meaningful discriminative information for IED-free epilepsy classification and that multi-domain ensembling improves robustness.
- Abstract（参考訳）: 脳波が間膜てんかん放電(IED)を欠いている場合、てんかんの診断は困難である。
Intermittent photic stimulation (IPS) と hyperventilation (HV) は診断の生産性を高めるが、その解釈は主観的である。
本稿では,時間領域,スペクトル領域,ウェーブレット領域,接続領域にまたがる機械学習機能を用いて,刺激処理中に得られる脳波記録を分類する再現可能なパイプラインと,補完的な特徴セットを結合する集積アンサンブルを提案する。
TUH Epilepsy CorpusにおけるLOSO(Left-one-subject-out)クロスバリデーションと,TUHのIEDフリー分析を含むEMC(Easmus MC)コホートを用いて評価した。
TUHでは、IEDフリーの安静状態脳Gでは97.8\% AUC / 93.1\% BAC、IEDフリーのIPSでは94.1\% AUC / 86.8\% BACに達する。
EMCでは、IPSは最も強い差別(79.4\% AUC / 73.9\% BAC)を提供するが、HVのパフォーマンスは、応答性によって対象の階層化から恩恵を受ける。
これらの結果から, 刺激誘発活性, 特にIPSは, IEDのないてんかん分類において有意義な識別情報を含み, 多領域のアンサンブルが堅牢性を向上させることが示唆された。
関連論文リスト
- CLEF: EEG Foundation Model for Learning Clinical Semantics [50.3767252824646]
CLEFは,脳波基礎モデルである。
CLEFは, 疾患の表現型, 薬物曝露, 脳波所見にまたがる新しい234タスク・ベンチマークで評価した。
論文 参考訳（メタデータ） (2026-05-11T16:34:58Z) - 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) - Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection [37.72464514643607]
本研究では,非教師付き特徴抽出のための畳み込みオートエンコーダを用いたディープラーニングフレームワークを提案する。
心房電気活動の潜在的表現は、EMG分析の特徴づけと自動化を可能にする。
提案手法は, リアルタイムに動作可能であり, 臨床解剖学的マッピングシステムに統合することにより, アブレーション中の不整脈領域の同定を支援することができる。
論文 参考訳（メタデータ） (2025-07-24T09:40:24Z) - 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) - A Supervised Information Enhanced Multi-Granularity Contrastive Learning Framework for EEG Based Emotion Recognition [14.199298112101802]
本研究では,脳波に基づく感情認識(SICLEER, Supervised Info-enhanced Contrastive Learning)のための新しいコントラスト学習フレームワークを提案する。
自己教師付きコントラスト学習損失と教師付き分類損失を組み合わせた共同学習モデルを提案する。
論文 参考訳（メタデータ） (2024-05-12T11:51:00Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - Machine Learning-Based Detection of Parkinson's Disease From
Resting-State EEG: A Multi-Center Study [0.125828876338076]
安静時脳波(rs-EEG)はパーキンソン病(PD)の診断に有効である。
本研究では,異なるセンターで得られた4つのデータセットから,84 PDのRS-EEG記録と85 PDの非PD被験者をプールした。
本稿では,プリプロセッシング,臨床的に検証された周波数帯域からのPSD特徴抽出,特徴選択によるエンドツーエンドパイプラインを提案する。
論文 参考訳（メタデータ） (2023-03-02T16:19:24Z) - Power Spectral Density-Based Resting-State EEG Classification of
First-Episode Psychosis [1.3416169841532526]
脳の異常活動パターンの同定における刺激非依存型脳波の有用性を示す。
複数の周波数帯域を組み込んだ一般化モデルでは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付けるのがより効率的である。
本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。
論文 参考訳（メタデータ） (2022-11-23T00:28:41Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Preliminary study on the impact of EEG density on TMS-EEG classification
in Alzheimer's disease [48.42347515853289]
TMS誘発脳波反応を用いてアルツハイマー病患者を健康的なコントロールから分類する。
精度、感度、特異性はそれぞれ92.7%、96.58%、88.2%であった。
論文 参考訳（メタデータ） (2022-05-19T20:34:04Z) - 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)
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。