論文の概要: A Neurosymbolic Framework for Interpretable Skeleton-Based Seizure Detection via Concept-Driven Logical Reasoning

• arxiv url: http://arxiv.org/abs/2606.21252v1
• Date: Fri, 19 Jun 2026 09:29:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 07:04:10.865075
• Title: A Neurosymbolic Framework for Interpretable Skeleton-Based Seizure Detection via Concept-Driven Logical Reasoning
• Title（参考訳）: 概念駆動論理推論による解釈型骨格型シーズール検出のためのニューロシンボリックフレームワーク
• Authors: Talha Ilyas, Deval Mehta, Zongyuan Ge,
• Abstract要約: てんかん患者の管理にはビデオによる発作検出が不可欠である。 本稿では,ビデオによる発作検出のためのニューロシンボリック・フレームワークを初めて紹介する。 我々のフレームワークは89.78%の感度で、SAHZUでは0.06の誤検出、IEEEでは85.27%,0.09である。
• 参考スコア（独自算出の注目度）: 15.287681833764964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video-based seizure detection is essential for the management of epilepsy patients, offering a non-invasive complement to electroencephalography. While several deep learning approaches have been developed for video-based seizure detection, none are inherently interpretable, limiting their adoption and translation into clinical practice. We present, to our knowledge, the first exploration of a neurosymbolic framework for video-based seizure detection that directly addresses this gap. Our approach (1) extracts patient-centric skeleton sequences from epilepsy monitoring units via a prompt-guided foundation model, (2) predicts binary spatio-temporal concept activations grounded in clinical motor semiology guidelines, and (3) composes them via differentiable logic into interpretable Boolean rules with auditable contributions. Furthermore, to mitigate false positives arising from the traditional binary formulation (seizure vs.\ non-seizure), we sub-classify non-seizure segments into clinically relevant normal activities, providing the model with fine-grained discriminative supervision. Evaluated on two public seizure video benchmarks, our framework achieves 89.78% sensitivity with 0.06 false detections per hour on SAHZU and 85.27%,0.09 on IEEE, while producing complete three-level interpretability: every prediction decomposes into which motor primitives were detected, how they were logically composed, and how much each rule contributed to the clinical decision. We publicly release all annotations, extracted pose sequences, our data pipeline and code, https://github.com/Mr-TalhaIlyas/CDSD/.
• Abstract（参考訳）: てんかん患者にはビデオによる発作検出が不可欠であり、脳波の非侵襲的補完を提供する。 ビデオベースの発作検出のためにいくつかのディープラーニングアプローチが開発されているが、本質的には解釈可能ではなく、採用と臨床への翻訳が制限されている。 我々の知る限り、このギャップに直接対処するビデオベースの発作検出のためのニューロシンボリックな枠組みを初めて探求した。 本手法では, 患者中心の骨格配列を, プロンプト誘導基礎モデルを用いて, 患者中心の骨格配列を抽出し, 臨床運動セミオロジーガイドラインに基づく二分時的概念の活性化を予測する。 さらに、従来の二項式から生じる偽陽性を緩和する(清然対)。 本研究は,非正弦区間を臨床的に関連性のある正常な活動にサブクラス分けし,詳細な識別監督モデルを提供する。 SHZUでは89.78%の感度,SAHZUでは0.06,IEEEでは85.27%,0.09,完全3段階の解釈性が得られた。 すべてのアノテーション、抽出されたポーズシーケンス、データパイプラインとコード、https://github.com/Mr-TalhaIlyas/CDSD/。

関連論文リスト

• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• Benchmarking Egocentric Clinical Intent Understanding Capability for Medical Multimodal Large Language Models [48.95516224614331]
  MedGaze-Benchは、臨床医の視線を認知的カーソルとして活用し、手術、緊急シミュレーション、診断解釈における意図的理解を評価する最初のベンチマークである。 本ベンチマークでは,解剖学的構造の視覚的均一性,臨床における時間・因果依存性の厳格化,安全プロトコルへの暗黙の順守という3つの基本的な課題に対処する。
  論文  参考訳（メタデータ） (2026-01-11T02:20:40Z)
• 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)
• Privacy-preserving Early Detection of Epileptic Seizures in Videos [10.180183020927872]
  新たなフレームワーク(SETR-PKD)の導入によるビデオによるてんかん発作分類の開発に寄与する。 本フレームワークは, 患者のプライバシを保ちながら, 発作運動半減期をエンコードする, 発作映像から抽出した光学的フロー特徴に基づいて構築されている。 我々のフレームワークは、トニック・クロニック発作(TCS)を83.9%の精度でプライバシー保護方法で検出できる。
  論文  参考訳（メタデータ） (2023-09-15T22:29:07Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
  畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。 総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
  論文  参考訳（メタデータ） (2021-08-17T05:49:43Z)
• Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily Long Videos of Seizures [58.720142291102135]
  てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。 本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。 本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
  論文  参考訳（メタデータ） (2021-06-22T18:40:31Z)
• Interpreting Deep Learning Models for Epileptic Seizure Detection on EEG signals [4.748221780751802]
  ディープラーニング(DL)は、しばしば人工知能ベースの医療意思決定支援の最先端とみなされます。 臨床現場では未だに実装されており、ニューラルネットワークモデルの解釈能力が不十分なため、臨床医の信頼は低い。 脳波信号に基づくてんかん発作のオンライン検出の文脈で解釈可能なDLモデルを開発することでこの問題に対処した。
  論文  参考訳（メタデータ） (2020-12-22T11:10:23Z)

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。