論文の概要: A Granularity-Aware EEG Feature Framework for Psychopathology Dimension Prediction

• arxiv url: http://arxiv.org/abs/2607.02670v1
• Date: Thu, 02 Jul 2026 18:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.384853
• Title: A Granularity-Aware EEG Feature Framework for Psychopathology Dimension Prediction
• Title（参考訳）: 心理病理学的次元予測のための粒度認識型脳波特徴フレームワーク
• Authors: Haofan Cheng, Jingjing Hu, Jingrong Pei, Shuaiqi Fu, Meilun Shen, Shuai Fang, Meng Wang, Dan Guo, Jie Zhang,
• Abstract要約: マルチスケールディスクリプタをグローバル,地域,チャネルレベルに編成する,粒度を意識したEEG機能パイプラインを開発した。 我々は4つの脳波パラダイムにおいて,p因子,内在化,外在化,注意問題の4つの心理学的側面の予測を評価する。
• 参考スコア（独自算出の注目度）: 21.82354492756923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) offers a noninvasive approach for examining neurophysiological correlates of dimensional psychopathology, yet systematic evidence across EEG paradigms and feature granularities remains limited. Here, we develop a granularity-aware EEG feature pipeline that organizes multi-scale descriptors into global, regional, and channel levels. Using the Healthy Brain Network (HBN) cohort, we evaluate the prediction of four psychopathology dimensions: p-factor, internalizing, externalizing, and attention problems, across four EEG paradigms. Given the heterogeneity of pediatric psychopathology and the moderate reliability of questionnaire-derived scores, this setting represents a challenging feasibility test rather than a clinical screening scenario. Tree-based models and granularity-balanced feature selection showed promising improvements over conventional approaches in selected conditions, although effect sizes remained modest. Visualization of selected markers revealed dimension-specific spatial and spectral patterns that were broadly aligned with existing neurophysiological knowledge. An exploratory cross-dataset sanity check on the independent PEARL cohort suggested that the proposed selection principle remains technically feasible under protocol shifts, without claiming cross-dataset generalizability. Overall, multi-scale EEG features contain weak but detectable signals related to dimensional psychopathology, and granularity-aware selection may serve as a useful feature-reduction strategy for future EEG-based phenotyping studies.
• Abstract（参考訳）: 脳電図(EEG)は、次元精神病理学の神経生理学的相関を調べるために非侵襲的なアプローチを提供するが、脳波のパラダイムや特徴の粒度の体系的な証拠は限られている。 そこで我々は,マルチスケールディスクリプタをグローバル,地域,チャネルレベルに編成する,粒度を意識したEEG機能パイプラインを開発した。 健康脳ネットワーク(Healthy Brain Network, HBN)コホートを用いて、4つの脳波パラダイムにおいて、p因子、内部化、外部化、注意問題の4つの心理病理次元の予測を評価する。 小児精神病理学の不均一性と質問紙によるスコアの適度な信頼性を考えると、この設定は、臨床スクリーニングシナリオではなく、挑戦的な実現可能性テストである。 木質モデルと粒度バランスの特徴選択は,選択条件下での従来手法よりも有望な改善を示したが,効果サイズは緩やかであった。 選択されたマーカーの可視化により、既存の神経生理学的知識と広く一致した次元特異的な空間およびスペクトルパターンが明らかとなった。 独立系PEARLコホートにおける探索的クロスデータセットの正当性チェックは、提案された選択原理は、クロスデータセットの一般化性を主張しずに、プロトコルシフトの下で技術的に実現可能であることを示唆している。 全体として、マルチスケール脳波の特徴には、次元心理学に関連する弱いが検出可能な信号が含まれており、粒度を意識した選択は、将来の脳波による表現型研究に役立つ。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• 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)
• NeuroDx-LM: A Clinical Large-Scale Model for EEG-based Neurological Disorder Detection [7.185477956123345]
  脳電図(EEG)で事前訓練された大規模モデルは、神経疾患検出などの臨床応用において有望である。 NeuroDx-LMは、脳波に基づく神経疾患を検出するために特別に設計された新しい大規模モデルである。
  論文  参考訳（メタデータ） (2025-08-11T16:02:25Z)
• Interpreting artificial neural networks to detect genome-wide association signals for complex traits [0.0]
  我々は人工ニューラルネットワークを訓練し、シミュレーションと実際のジェノタイプフェノタイプデータセットの両方を用いて複雑な特徴を予測する。 統合失調症に合併した多発性座位を指摘された。
  論文  参考訳（メタデータ） (2024-07-26T15:20:42Z)
• Graph Neural Network-based EEG Classification: A Survey [10.683106842552657]
  グラフニューラルネットワーク(GNN)は、感情認識などのタスクの脳波の分類にますます使われている。 この話題に関する論文を網羅的に検索し、比較のためのいくつかのカテゴリを導出する。 以上の結果から,脳波分類に対するGNNベースのアプローチの出現傾向を要約した。
  論文  参考訳（メタデータ） (2023-10-03T15:40:03Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• Variational Autoencoder Learns Better Feature Representations for EEG-based Obesity Classification [0.8399688944263843]
  肥満に関連する神経学的特徴を明らかにすることを目的として,脳波の静止状態(脳波)を調査する研究が進められている。 肥満とリーンの被験者分類のために,脳波の特徴を抽出する深層学習に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-01T22:48:45Z)
• 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)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• Machine-Learning-Based Diagnostics of EEG Pathology [29.98686945159869]
  機能ベースのEEG分析フレームワークを開発し、最先端のエンドツーエンド手法と比較する。 両アプローチの精度は81～86%という驚くほど狭い範囲にある。 臨床ラベルの不完全一致により,現在の2連系脳波デコーダの精度は90%近く飽和する可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-11T17:12:24Z)

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。