論文の概要: DiffEEG: A Self-Supervised Denoising Diffusion Model for Learning EEG Generic Representations

• arxiv url: http://arxiv.org/abs/2607.11578v1
• Date: Mon, 13 Jul 2026 13:59:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.496794
• Title: DiffEEG: A Self-Supervised Denoising Diffusion Model for Learning EEG Generic Representations
• Title（参考訳）: DiffEEG:脳波ジェネリック表現学習のための自己監督型拡散モデル
• Abstract要約: 脳波による発作検出のための自己教師型基礎モデルDiffEEGを提案する。 DiffEEGは、Temple University Hospital Seizure Corpus (TUHSZ)から1.3Mの未ラベルセグメントで事前訓練され、多頭部自己注意の1D U-Netを介して汎用神経表現を学習する。 厳密な患者の評価では、DiffEEGは61%の精度、59%のF1が4級発作のサブタイプで、81%の精度で重み付けされたF1が2値検出で85%の精度で達成されている。
• 参考スコア（独自算出の注目度）: 1.901880164206253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning for EEG-based seizure detection faces critical challenges: severe annotation scarcity and extreme class imbalance, where ictal events comprise less than 10\% of clinical recordings. We present DiffEEG, a 9.6M-parameter self-supervised foundation model that addresses both limitations through denoising diffusion pre-training and reinforcement learning (RL)-based fine-tuning. Pre-trained on 1.3M unlabeled segments from the Temple University Hospital Seizure Corpus (TUHSZ), DiffEEG learns generic neural representations via a 1D U-Net with multi-head self-attention. For downstream adaptation, a reinforced decision layer employs policy gradient optimization to directly maximize F1-score, prioritizing sensitivity to rare seizure events over overall accuracy. Under strict patient-wise evaluation (279 patients, Leave-One-Fold-Out), DiffEEG achieves 61\% accuracy and 59\% F1 for 4-class seizure subtyping, and 81\% accuracy with 85\% weighted F1 for binary detection, maintaining clinically viable seizure recall (59\%) despite extreme imbalance (6.7\% prevalence). Segment-level evaluation establishes an upper bound of 97.6\% accuracy, confirming strong architectural capacity. DiffEEG demonstrates that diffusion-based pre-training combined with metric-aware reinforcement learning enables clinically deployable seizure monitoring with minimal labeled data requirements.
• Abstract（参考訳）: 脳波による発作検出の深層学習は、重度のアノテーション不足と極度のクラス不均衡という重要な課題に直面している。 DiffEEGは、拡散事前学習と強化学習(RL)に基づく微調整により、両方の制限に対処する9.6Mパラメータ自己監督基盤モデルである。 DiffEEGは、Temple University Hospital Seizure Corpus (TUHSZ)から1.3Mの未ラベルセグメントで事前訓練され、多頭部自己注意の1D U-Netを介して汎用神経表現を学習する。 下流適応のために、強化された決定層はF1スコアを直接最大化するためにポリシー勾配最適化を使用し、全体的な精度よりも稀な発作イベントに対する感度を優先する。 厳密な患者評価(279例,Leave-One-Fold-Out)では、DiffEEGは4級発作のサブタイピングにおいて615%の精度と59%のF1を達成し、81%の精度で85%の重み付きF1を二分検出し、極めて不均衡(6.7%の精度)にもかかわらず臨床的に実行可能な発作リコール(59%)を維持した。 セグメントレベルの評価は97.6 %の精度の上限を確立し、高いアーキテクチャ能力を確認する。 DiffEEGは、拡散に基づく事前トレーニングとメトリック認識強化学習を組み合わせることで、最小のラベル付きデータ要件で臨床にデプロイ可能な発作モニタリングを可能にすることを実証している。

関連論文リスト

• A Multimodal Pre-trained Network for Integrated EEG-Video Seizure Detection [25.989788685567607]
  本稿では,脳波表現,最適トランスポートアライメント,双方向ビデオエンコーディングを組み合わせたフレームワークであるEEGFusionを提案する。 EEVFusionは0.9718のバランス精度を達成し、イベントFARを2.7250 FP/hから0.4833 FP/hに削減した。 脳波予知とOTアライメントが事象の感度を保ちながら誤警報を減少させることを示した。
  論文  参考訳（メタデータ） (2026-04-29T07:43:14Z)
• Federated Few-Shot Learning for Epileptic Seizure Detection Under Privacy Constraints [1.4150452759904846]
  脳波による発作検出のための2段階連発型数ショット学習フレームワークを提案する。 ステージ1では、事前訓練された生体信号変換器(BIOT)が、フェデレートラーニングを用いて、非IID模擬病院の現場で微調整される。 ステージ2では、フェデレートされた数発のパーソナライゼーションが5つのEEGセグメントのみを用いて各患者に適応する。
  論文  参考訳（メタデータ） (2025-12-09T16:01:35Z)
• A Patient-Independent Neonatal Seizure Prediction Model Using Reduced Montage EEG and ECG [1.3394640265189308]
  新生児発作の早期予測のための畳み込みニューラルネットワークモデルを提案する。 提案したモデルの平均精度は97.52%、感度は98.31%、特異性は96.39%、F1スコアは97.95%であった。 以上の結果から,新生児集中治療室における最小管理的展開の可能性が示唆された。
  論文  参考訳（メタデータ） (2025-11-18T03:47:53Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• EchoBench: Benchmarking Sycophancy in Medical Large Vision-Language Models [82.43729208063468]
  医療用LVLM(Large Vision-Language Models)の最近のベンチマークでは、信頼性と安全性を見越して、リーダボードの精度を強調している。 ユーザが提供した情報を非批判的に反響させる傾向のモデルについて検討する。 医療用LVLMの梅毒を系統的に評価するベンチマークであるEchoBenchを紹介する。
  論文  参考訳（メタデータ） (2025-09-24T14:09:55Z)
• Early Prediction of Multi-Label Care Escalation Triggers in the Intensive Care Unit Using Electronic Health Records [1.116791976498254]
  本研究では、ケアエスカレーショントリガー(CET)を予測するマルチラベル分類フレームワークを提案する。 CETは、24時間から72時間のデータに適用されるルールベースの基準を用いて定義される。 我々は85,242 ICUのコーホートで複数の分類モデルを訓練し,評価した。
  論文  参考訳（メタデータ） (2025-09-15T20:40:45Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• 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)

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。