論文の概要: Evaluation of EEG Foundation Models for Event-Based Burst-Suppression Detection in ICU

• arxiv url: http://arxiv.org/abs/2606.20074v1
• Date: Thu, 18 Jun 2026 10:49:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.804276
• Title: Evaluation of EEG Foundation Models for Event-Based Burst-Suppression Detection in ICU
• Title（参考訳）: ICUにおけるイベントベースバースト抑制検出のための脳波基礎モデルの評価
• Authors: Elisa Vasta, Thorir Mar Ingolfsson, Andrea Cossettini, Luca Benini, Tilman Beck, Emanuela Keller, Una Pale,
• Abstract要約: バースト抑制(BS)は、重篤な患者の鎮静深度と脳活動を監視するために用いられる。 EEGファウンデーションモデル(FM)は、いくつかの下流EEGアプリケーションで約束されている。 減量化ICU脳波のバースト検出のための脳波FMを評価するための第1報について述べる。
• 参考スコア（独自算出の注目度）: 12.022301436686435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Burst suppression (BS) is a clinically relevant electroencephalographic (EEG) pattern used to monitor sedation depth and brain activity in critically ill patients, particularly during induced coma in Intensive Care Units (ICUs). Automatic burst detection remains challenging because BS patterns vary substantially between patients and annotated datasets are scarce. Recently, EEG Foundation Models (FMs) have shown promise across several downstream EEG applications, but their usefulness for BS detection remains unexplored. We present the first study to evaluate EEG FMs for burst detection in reduced-montage ICU EEG without patient-specific calibration. We compare REVE-base, LUNA-large and LuMamba-Tiny with an adaptive thresholding baseline and a task-specific EEGNet baseline. Additionally, we complement conventional EEG window-based classification with event-based burst detection evaluation. This helps assessing clinically whether burst episodes are correctly detected, reducing the impact of expected annotation variability. The best model, REVE-base, achieved the highest event-based F1-score ($0.868 \pm 0.167$) and reduced burst-per-minute error by 52.1% and 36.2% compared to EEGNet and adaptive thresholding respectively, supporting FMs for scalable EEG monitoring in ICU. Ablation experiments showed that full fine-tuning was the most effective adaptation strategy with respect to frozen-backbone training, two-step fine-tuning, and LoRA-based adaptation, improving event-based F1-score over frozen-backbone training by up to $+0.102$ for LUNA-large. With reduced labeled datasets, pretrained REVE-base outperformed random initialization by $+0.723$ event-based F1 points at 25% of the cohort, demonstrating the benefit of pretraining FM representations when adapted to burst detection with limited labeled data.
• Abstract（参考訳）: バースト抑制(英: Burstpression、BS)は、特にICU(Intensive Care Units)において、重篤な患者の鎮静深度と脳活動を監視するために用いられる、臨床的に関連する脳波パターンである。 BSパターンが患者間で大きく異なり、注釈付きデータセットが不足しているため、自動バースト検出は依然として困難である。 最近、EEG Foundation Models (FMs) は、いくつかの下流EEGアプリケーションで約束されているが、BS検出の有用性はまだ明らかにされていない。 患者特異的な校正を伴わない低分子量ICU脳波のバースト検出のための脳波FMの評価を初めて行った。 本稿では,REVE-base,LUNA-large,LuMamba-Tinyを適応しきい値ベースライン,タスク固有のEEGNetベースラインと比較する。 さらに,従来のEEGウィンドウに基づく分類とイベントベースバースト検出評価を補完する。 これにより、バーストエピソードが正しく検出されたかどうかを臨床的に評価し、期待されるアノテーションの変動の影響を減らすことができる。 最高のモデルであるREVE-baseは、イベントベースのF1スコア(0.868 \pm 0.167$)を達成し、IPUのスケーラブルなEEGモニタリングのためのFMをサポートするため、それぞれEEGNetと適応しきい値と比較すると、バースト毎分エラーを52.1%、36.2%削減した。 アブレーション実験により, フル微調整は冷凍バックボーントレーニング, 2ステップ微調整, LoRA ベースの適応において最も効果的な適応戦略であり, LUNA大域で最大$+0.102$の冷凍バックボーントレーニングよりもイベントベースのF1スコアが向上した。 ラベル付きデータセットの削減により、事前学習されたREVEベースは、コホートの25%のイベントベースのF1ポイントを$+0.723$でランダム初期化し、有限ラベル付きデータによるバースト検出に適応する際のFM表現の事前学習の利点を示した。

関連論文リスト

• Preventing Data Leakage in EEG-Based Survival Prediction: A Two-Stage Embedding and Transformer Framework [0.6509758931804478]
  深層学習モデルは、心停止後のコマトース患者の脳波による予後予測において有望であることが示されている。 しかし、その信頼性はしばしば微妙なデータ漏洩によって損なわれます。 本研究では,多段階脳波モデリングパイプラインにおいて,これまで見過ごされていたデータ漏洩形態を同定する。
  論文  参考訳（メタデータ） (2026-03-26T21:28:23Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• BioSerenity-E1: a self-supervised EEG model for medical applications [0.0]
  BioSerenity-E1は臨床脳波治療のための自己監督型基礎モデルの1つである。 スペクトルトークン化とマスク付き予測を組み合わせることで、関連する診断タスク間で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-03-13T13:42:46Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• BISeizuRe: BERT-Inspired Seizure Data Representation to Improve Epilepsy Monitoring [13.35453284825286]
  本研究では,BERTモデルを用いた脳波による発作検出の新しい手法を提案する。 BENDRは2段階のトレーニングプロセス、事前トレーニング、微調整を行う。 最適化されたモデルでは性能が大幅に向上し、0.23 FP/h、2.5$times$はベースラインモデルよりも低く、感度は低いが許容できる。
  論文  参考訳（メタデータ） (2024-06-27T14:09:10Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• 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)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)

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。