論文の概要: Deep Sleep Classification via EEG Signal Criticality: A Passive BCI Approach for Sleep-Improvement Neurofeedback

• arxiv url: http://arxiv.org/abs/2606.13017v1
• Date: Thu, 11 Jun 2026 07:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.656032
• Title: Deep Sleep Classification via EEG Signal Criticality: A Passive BCI Approach for Sleep-Improvement Neurofeedback
• Title（参考訳）: 脳波信号臨界による深層睡眠分類 : 睡眠改善神経フィードバックのためのパッシブBCIアプローチ
• Authors: Stanisław Narębski, Tomasz Komendziński, Tomasz M. Rutkowski,
• Abstract要約: 本研究では,Detrended Fluctuation Analysis (DFA) による深層睡眠特定のための臨界特性の評価を行った。 ネイブ・ベイズは平均均衡精度(87.17% pm 0.24%$)を達成した。 この堅牢な分類パイプラインは、認知回復を促進するために、ターゲット聴覚刺激のような状態依存神経フィードバックの開発を支援する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated sleep staging is a fundamental application of passive Brain-Computer Interfaces (pBCI), decoding spontaneous neural states to enable closed-loop interventions independent of user intent. This study evaluates criticality features derived from Detrended Fluctuation Analysis (DFA) for the specific identification of deep sleep (N3). We analyzed $347,232$ EEG epochs from $290$ older women using UMAP manifold learning to visualize state transitions. Subsequently, six classifiers were benchmarked via 10-fold cross-validation, using balanced accuracy to determine the optimal "state-sensing" engine for neurofeedback.Naive Bayes achieved the highest mean balanced accuracy ($87.17\% \pm 0.24\%$), significantly outperforming a fully connected deep neural network (FNN: $81.58\%$) and Random Forest ($80.97\%$). Linear models (LDA: $57.21\%$; SVM: $51.01\%$) performed poorly, indicating that DFA-derived criticality features reside on a distinct, non-linear manifold. Probabilistic decoding of EEG criticality provides a high-accuracy sensing mechanism for pBCIs. This robust classification pipeline supports the development of state-dependent neurofeedback, such as targeted auditory stimulation, to enhance cognitive recovery.
• Abstract（参考訳）: 自動睡眠ステージングは受動脳-コンピュータインタフェース(pBCI)の基本的応用であり、自律神経状態の復号化により、ユーザの意図に依存しないクローズドループ介入を可能にする。 本研究では,Detrended Fluctuation Analysis (DFA) による深層睡眠の特定のための臨界特性について検討した。 UMAP多様体学習を用いて、脳波の347,232ドルを高齢女性290ドルから分析し、状態遷移を可視化した。 その後、6つの分類器を10倍のクロスバリデーションでベンチマークし、バランスの取れた精度を用いて神経フィードバックのための最適な「状態検知」エンジンを判定した。ネイブ・ベイズは最高平均バランスの精度(87.17\% \pm 0.24\%$)を達成し、完全に接続されたディープニューラルネットワーク(FNN: 81.58\%$)とランダムフォレスト(80.97\%$)を著しく上回った。 線形モデル (LDA: 5,7.21\%$; SVM: 5,1.01\%$) は、DFA由来の臨界性特徴が別の非線形多様体上に存在することを示す。 脳波臨界度の確率的復号化は、pBCIの高精度な検知機構を提供する。 この堅牢な分類パイプラインは、認知回復を促進するために、ターゲット聴覚刺激のような状態依存神経フィードバックの開発を支援する。

関連論文リスト

• Sleep EEG Signal Criticality as a Non-Invasive Predictor of Cognitive Decline in Dementia [0.0]
  本研究は,MFDFA(Multifractal Detrended Fluctuation Analysis)を用いて定量化した睡眠脳波信号臨界度が,将来の認知機能低下の非侵襲的バイオマーカーとして機能するかを検討した。
  論文  参考訳（メタデータ） (2026-06-09T14:02:40Z)
• Stochastic Spiking Neuron Based SNN Can be Inherently Bayesian [0.033985395340995594]
  生物学的神経系の不確実性は、有害性よりも有益であると考えられる。 ニューロモルフィックコンピューティングシステムでは、デバイス可変性はしばしば精度と効率を含む性能を制限する。 本稿では,本質的デバイス性の動的モデルを統合するスパイクニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-03T10:48:14Z)
• Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
  ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:54:37Z)
• Microelectrode Signal Dynamics as Biomarkers of Subthalamic Nucleus Entry on Deep Brain Stimulation: A Nonlinear Feature Approach [0.0]
  本稿では、非線形力学とエントロピーに基づくメトリクスを利用して、STN内外から記録された神経活動の分類を行うフレームワークを提案する。 本研究は,DBS手術中におけるリアルタイム・データ駆動意思決定支援における非線形・エントロピー信号記述子の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-06-14T23:23:26Z)
• Single Channel EEG Based Insomnia Identification Without Sleep Stage Annotations [0.3495246564946556]
  不眠症患者50名,健常者50名を用いて,本モデルの有効性を検証した。 開発されたモデルでは、現在の睡眠監視システムを簡素化し、家庭内振動モニタリングを可能にする可能性がある。
  論文  参考訳（メタデータ） (2024-02-09T08:59:37Z)
• Automatic Sleep Stage Classification with Cross-modal Self-supervised Features from Deep Brain Signals [35.141080847207355]
  深層脳記録に基づく睡眠段階分類は、患者に対してより正確な治療を提供する大きな可能性を持っている。 人工睡眠装置を用いた睡眠段階分類に適用可能なクロスモーダル・トランスファー学習法を提案した。 パーキンソン病12例の脳深部記録データを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-02-07T03:21:33Z)
• AI-based Clinical Assessment of Optic Nerve Head Robustness Superseding Biomechanical Testing [54.306443917863355]
  我々は,ONHの1つのOCTスキャンからのみ,与えられたONHの堅牢性を評価することができるAI駆動型アプローチを提案する。 縦断的研究は、ONHの頑健さが高速な視野障害進行因子の同定に役立つかどうかを確かめるべきである。
  論文  参考訳（メタデータ） (2022-06-09T11:29:28Z)
• Automated Atrial Fibrillation Classification Based on Denoising Stacked Autoencoder and Optimized Deep Network [1.7403133838762446]
  心房細動(AFib)の発症率は世界中で増加傾向にある。 AFibのリスクを早期に検出するために,我々はディープニューラルネットワークに基づく自動検出システムを開発した。 Denoising Autoencoders (DAE) を用いて心電図信号を復調するエンド・ツー・エンドモデルを提案する。
  論文  参考訳（メタデータ） (2022-01-26T21:45:48Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Differentially private training of neural networks with Langevin dynamics forcalibrated predictive uncertainty [58.730520380312676]
  その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。 これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
  論文  参考訳（メタデータ） (2021-07-09T08:14:45Z)
• Multimodal Inductive Transfer Learning for Detection of Alzheimer's Dementia and its Severity [39.57255380551913]
  本稿では,音響的,認知的,言語的特徴を活用してマルチモーダルアンサンブルシステムを構築する新しいアーキテクチャを提案する。 時相特性を持つ特殊な人工ニューラルネットワークを使用して、アルツハイマー認知症(AD)とその重症度を検出する。 本システムでは,AD分類では最先端試験精度,精度,リコール,F1スコアが83.3%,MMSEスコア評価では4.60の最先端試験根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2020-08-30T21:47:26Z)

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。