論文の概要: Wavelet Scattering Transform for Interpretable Schizophrenia Biomarker Discovery and Classification from Resting-State EEG

• arxiv url: http://arxiv.org/abs/2607.05282v1
• Date: Mon, 06 Jul 2026 16:27:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.24047
• Title: Wavelet Scattering Transform for Interpretable Schizophrenia Biomarker Discovery and Classification from Resting-State EEG
• Title（参考訳）: 精神分裂病のバイオマーカー発見のためのウェーブレット散乱変換と安静時脳波からの分類
• Abstract要約: 統合失調症 (Schizophrenia) は、大脳皮質ネットワークの異常を特徴とする神経精神疾患である。 既存の自動分類パイプラインは、振幅変調力学と周波数間結合に本質的に盲目な静的パワースペクトル密度の特徴に大きく依存している。 本研究では,マルチオーダーのウェーブレット散乱変換(WST),厳密な離脱1主題アウト(LOSO)クロスバリデーション,および同時脳波分類とバイオマーカー発見のためのSHAP説明可能性を統合する数学的に原理化された診断フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Schizophrenia is a debilitating neuropsychiatric disorder characterized by profound cortical network dysregulation, for which objective, clinically translatable EEG based biomarkers remain underdeveloped. Existing automated classification pipelines rely predominantly on static power spectral density features inherently blind to amplitude modulation dynamics and cross-frequency coupling, phenomena central to schizophrenia pathophysiology, while adopting epoch level cross validation strategies that introduce temporal data leakage, artificially inflate reported performance. This study introduces a mathematically principled diagnostic framework integrating the multi-order Wavelet Scattering Transform(WST), strict Leave One Subject Out (LOSO) cross-validation, and SHAP explainability for simultaneous EEG classification and biomarker discovery. Hierarchical WST coefficients capturing multi-scale amplitude modulation structure were extracted from resting state multichannel EEG. Subject-level ANOVA with Benjamini Hochberg false discovery rate correction identified significant biomarkers, with Random Forest and SVM classifiers evaluated under strict LOSO cross validation and subject-level majority voting. Second-order scattering coefficients encoding cross frequency coupling dominated the discriminative biomarker set, with gamma-band features most prevalent, demonstrating that temporal amplitude modulation constitutes the primary electrophysiological signature of schizophrenia. Electrode P3 was identified as the single most discriminative site. Under rigorous subject independent evaluation, the Random Forest achieved 90.48% accuracy (AUC = 0.9339; sensitivity = 95.56%). The proposed WST framework establishes a rigorous, interpretable standard for EEG-driven psychiatric biomarker discovery that can also be applicable in the detection of schizophrenia subtypes in the future.
• Abstract（参考訳）: 統合失調症(英語: Schizophrenia)は、脳波をベースとした客観的なバイオマーカーが未発達の深部皮質神経回路の異常を特徴とする神経精神疾患である。 既存の自動分類パイプラインは、本質的に振幅変調ダイナミクスやクロス周波数結合に盲目な静的パワースペクトル密度、統合失調症の病態に中心的な現象、時間的データ漏洩をもたらすエポックレベルのクロスバリデーション戦略を採用する一方で、報告された性能を人工的にインフレーションする。 本研究では,マルチオーダーのウェーブレット散乱変換(WST),厳密な離脱1主題アウト(LOSO)クロスバリデーション,および同時脳波分類とバイオマーカー発見のためのSHAP説明可能性を統合する数学的に原理化された診断フレームワークを提案する。 静止状態多チャンネル脳波からマルチスケール振幅変調構造を捉える階層的なWST係数を抽出した。 被験者レベルのANOVAとBenjamini Hochberg偽発見率の補正は重要なバイオマーカーを同定し、Random ForestとSVM分類器は厳密なLOSO交差検証と主観レベルの多数決で評価された。 交叉周波数結合をコードする2次散乱係数は、識別的バイオマーカーセットを支配し、ガンマバンドの特徴が最も多く、時相振幅変調が統合失調症の主要な電気生理学的特徴であることを示した。 電極P3は最も識別しやすい部位として同定された。 厳密な独立した評価のもと、ランダムフォレストは90.48%の精度(AUC = 0.9339、感度 = 95.56%)を達成した。 提案したWSTフレームワークは、今後、統合失調症サブタイプの検出にも適用可能な、脳波駆動型精神医学バイオマーカー発見の厳格で解釈可能な標準を確立する。

関連論文リスト

• Schizophrenia Detection from EEG Signals: A Transformer Framework with Spectrogram Representation [0.0]
  我々は、前処理した脳波記録を時間周波数表現に変換する脳波ベースの統合失調症分類フレームワークを提案する。 信頼性の高い評価を保証するため、すべてのデータパーティションが対象レベルで実行される。 実験により,提案手法が競合分類性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-09-12T15:58:55Z)
• Echo-DM: Ultrasound Marker Removal via Conditional Latent Diffusion and Region-Aware Fusion [50.02433280054874]
  マーカーは下流の自動分析にショートカットバイアスを導入することができる。 条件付き潜伏拡散と領域認識融合による超音波マーカー除去のためのフレームワークであるEcho-DMを提案する。 大規模な超音波検査データセットであるEcho-PAIRの実験は、優れたマーカー除去と強力な解剖学的忠実さを示す。
  論文  参考訳（メタデータ） (2026-06-08T11:56:33Z)
• Stain-Aware Wavelet Regularization for Instant Adversarial Purification in Histopathology [12.803436797824268]
  本稿では,Stain-Aware Wavelet Regularization(SAWR)を提案する。 即時浄化フレームワークに統合されると、SAWRはベースラインアプローチよりも10.69%まで敵の堅牢性を向上させる。
  論文  参考訳（メタデータ） (2026-06-07T17:32:24Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• 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)
• Variational Mixture of Graph Neural Experts for Alzheimer's Disease Biomarker Recognition in EEG Brain Networks [6.727599092628398]
  既存のEEGベースの手法は、フルバンド周波数解析によって制限される。 本稿では,周波数特異的バイオマーカー同定を統合したグラフニューラルネットワーク専門家(VMoGE)の変分混合を提案する。 VMoGEは、最先端のメソッドよりもAUCが+4%から+10%改善したことにより、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-10-13T20:37:18Z)
• 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)
• Discovering robust biomarkers of psychiatric disorders from resting-state functional MRI via graph neural networks: A systematic review [4.799269666410891]
  障害予測タスクのためのfMRIデータセットに対して,GNNとモデル説明可能性技術がどのように適用されてきたかを検討する。 精神疾患に対するfMRIバイオマーカーを報告したGNNを用いて65種類の研究を同定した。 バイオマーカーのロバスト性を決定するために,客観的評価指標に基づく新しい標準を確立することを提案する。
  論文  参考訳（メタデータ） (2024-05-01T15:29:55Z)
• Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis [1.3416169841532526]
  脳の異常活動パターンの同定における刺激非依存型脳波の有用性を示す。 複数の周波数帯域を組み込んだ一般化モデルでは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付けるのがより効率的である。 本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。
  論文  参考訳（メタデータ） (2022-11-23T00:28:41Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定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） (2021-02-28T14:56:45Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。