論文の概要: End-to-End Machine Learning for Depressive State Classification via EEG and fNIRS

• arxiv url: http://arxiv.org/abs/2606.11555v1
• Date: Wed, 10 Jun 2026 01:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.234785
• Title: End-to-End Machine Learning for Depressive State Classification via EEG and fNIRS
• Title（参考訳）: 脳波とfNIRSによる抑うつ状態分類のためのエンドツーエンド機械学習
• Authors: Riki Sakurai, Simon Kojima, Mihoko Otake-Matsuura, Shin'ichiro Kanoh, Tomasz M. Rutkowski,
• Abstract要約: 社会的ストレスの高まりによって引き起こされる精神医療の需要の増大は、伝統的な精神医学診断の限界を強調している。 定量的評価の必要性に対処するため、生物学的信号に基づく検出が有望な代替手段として登場した。 11人の健康な学生を対象としたこのパイロット研究は、生物学的信号に基づくうつ病検出の枠組みを確立している。
• 参考スコア（独自算出の注目度）: 0.32622301272834514
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The escalating demand for mental healthcare, driven by rising societal stress, highlights the limitations of traditional psychiatric diagnostics. Conventional methods - relying primarily on clinical interviews and patient self-reports - are inherently vulnerable to subjective bias and the varying empirical judgment of practitioners. To address the need for quantitative evaluation, biological signal-based detection, including electroencephalography (EEG) and functional near-infrared spectroscopy (fNIRS), has emerged as a promising objective alternative. Such technology is particularly vital for identifying latent depressive states that may be unrecognized by the subjects themselves. Furthermore, in aging populations, the high comorbidity between depression and dementia necessitates early differentiation to prevent mutual symptom exacerbation and maintain Quality of Life (QoL). This pilot study of eleven healthy students establishes a framework for biological signal-based depression detection, serving as a foundational step toward automated, objective diagnostic tools for clinical use.
• Abstract（参考訳）: 社会的ストレスの高まりによって引き起こされる精神医療の需要の増大は、伝統的な精神医学診断の限界を強調している。 従来の方法 - 主に臨床面接や患者の自己報告に依存する - は、本質的に主観的偏見や実践者の経験的判断に弱い。 定量的評価の必要性に対処するために、脳波(EEG)や機能近赤外分光法(fNIRS)を含む生物学的信号に基づく検出が、有望な代替手段として登場した。 このような技術は、被検者自身によって認識されない潜在うつ状態を特定するために特に不可欠である。 さらに、高齢化では、うつ病と認知症の間の高い共存が早期の分化を必要とし、相互症状の悪化を防ぎ、QoL(Quality of Life)を維持する。 本研究は, 健常学生11名を対象に, 生体信号によるうつ病検出の枠組みを確立し, 臨床応用のための自動的客観的診断ツールの基盤となる。

関連論文リスト

• Depression Detection Based on Electroencephalography Using a Hybrid Deep Neural Network CNN-GRU and MRMR Feature Selection [0.0]
  本研究では, 深層学習を用いた抑うつ状態と非抑うつ状態の検出と分類について検討した。 提案フレームワークは、畳み込みニューラルネットワーク(CNN)とゲートリカレントユニット(GRU)を組み合わせて、脳波記録から空間的特徴と時間的特徴を共同抽出する。 その結果, 提案モデルでは, 抑うつ状態の同定精度が98.74%と高い結果が得られた。
  論文  参考訳（メタデータ） (2026-01-16T02:58:17Z)
• Clinically Calibrated Machine Learning Benchmarks for Large-Scale Multi-Disorder EEG Classification [6.941409613662483]
  本研究は,脳波による脳波自動分類を臨床関連神経疾患11カテゴリーに分けて検討した。 マシンラーニングモデルは、厳格なクラス不均衡の下でトレーニングされ、診断感度の優先順位を決定するための決定しきい値が明示的に調整される。
  論文  参考訳（メタデータ） (2025-12-27T17:11:17Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• A Comprehensive Review of Datasets for Clinical Mental Health AI Systems [55.67299586253951]
  本稿では,AIを活用した臨床アシスタントの訓練・開発に関連する臨床精神保健データセットの総合的調査を行う。 本調査では, 縦断データの欠如, 文化・言語表現の制限, 一貫性のない収集・注釈基準, 合成データのモダリティの欠如など, 重要なギャップを明らかにした。
  論文  参考訳（メタデータ） (2025-08-13T13:42:35Z)
• Time-Resolved EEG Decoding of Semantic Processing Reveals Altered Neural Dynamics in Depression and Suicidality [28.636815691167474]
  脳波を用いた感情処理のセマンティックダイナミクスについて検討した。 うつ病や自殺観念を持つ人は、早期発症、長い期間、振幅復号反応が大きかった。
  論文  参考訳（メタデータ） (2025-07-30T00:58:51Z)
• MoodAngels: A Retrieval-augmented Multi-agent Framework for Psychiatry Diagnosis [58.67342568632529]
  MoodAngelsは、気分障害の診断のための最初の特殊なマルチエージェントフレームワークである。 MoodSynは、合成精神医学の1,173件のオープンソースデータセットである。
  論文  参考訳（メタデータ） (2025-06-04T09:18:25Z)
• Wearable-Derived Behavioral and Physiological Biomarkers for Classifying Unipolar and Bipolar Depression Severity [5.13481745926985]
  うつ病は複雑な精神障害であり、伝統的な主観的評価を超える様々な観察可能な指標と測定可能な指標によって特徴づけられる。 近年の研究では、うつ病の生理的、行動的側面をより正確に把握するために、ウェアラブルデバイスを用いた客観的、受動的、継続的な監視に焦点を当てている。 本研究では、ウェアラブルデバイスを利用して、うつ病のサブタイプ(特異的に単極性、双極性)を予測し、診断精度を高め、パーソナライズされた治療戦略をサポートすることのできる特徴的なバイオマーカーを同定する。
  論文  参考訳（メタデータ） (2025-04-17T20:41:28Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)
• Representation learning for improved interpretability and classification accuracy of clinical factors from EEG [7.323779456638996]
  脳波に基づく神経測定は、うつ病の信頼できる客観的相関、あるいはうつ病の予測因子として機能する。 これまでの研究では、脳波に基づく神経計測がうつ病の信頼できる客観的相関、あるいはうつ病の予測因子として機能することを示した。 しかし,その臨床的有用性は,1)脳波データに関連する固有ノイズに対処する自動化方法の欠如,2)脳波信号のどの側面が臨床疾患のマーカーであるかの知識の欠如など,完全には実現されていない。
  論文  参考訳（メタデータ） (2020-10-28T23:21:36Z)

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。