論文の概要: Interpretable EEG biomarkers with bag-of-waves: Spatial and temporal waveform dictionaries for low-data regimes

• arxiv url: http://arxiv.org/abs/2607.22508v1
• Date: Fri, 24 Jul 2026 17:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.194331
• Title: Interpretable EEG biomarkers with bag-of-waves: Spatial and temporal waveform dictionaries for low-data regimes
• Title（参考訳）: バック・オブ・ウェーブを用いた解釈可能な脳波バイオマーカー:低データ体制のための空間的・時間的波形辞書
• Abstract要約: Bag-of-wavesは、繰り返し発生するEEG波形テンプレートの小さな辞書を学習する解釈可能なフレームワークである。 これは、より重いモデルが不適合な低データ体制で機能する。
• 参考スコア（独自算出の注目度）: 5.614278907147251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) is widely used to diagnose neurological conditions, but its analysis usually relies on either predefined spectral features or deep neural networks. Predefined features carry a strong bias, since they fix in advance what counts as informative, while deep neural networks and foundation models are hard to interpret and need large amounts of data and compute. We present bag-of-waves, an interpretable framework that learns a small dictionary of recurring EEG waveform templates, called atoms, using shift-invariant k-means without labels. The continuous EEG is then turned into a sequence of atom tokens, whose counts feed a simple downstream classifier or clustering step. We extend this representation in two ways: we add atom-to-atom transitions, which we call n- grams, to capture temporal structure, and we move from single-channel atoms to regional and cross-channel spatial atoms for the multichannel case. We test the method on three complementary datasets, each probing a different aspect: single-channel mouse genotype clustering with only sixteen animals (the low-data and temporal case), resting-state dementia classification (the spatial case), and the TUEV benchmark, a six-way classification of clinical EEG events (a high-data comparison against strong deep and foundation baselines). Across all three datasets, bag-of-waves achieves performance competitive with state-of-the-art deep and foundation models. Yet, it operates with a fraction of the parameter count and provides full interpretability: because every atom corresponds to an inspectable waveform, the method explicitly recovers known clinical morphologies that a neurophysiologist can directly validate. Its main advantage is that it works in the low-data regime where heavier models are a poor fit.
• Abstract（参考訳）: 脳波検査(Electroencephalography、EEG)は、神経疾患の診断に広く用いられているが、その分析は通常、事前に定義されたスペクトル特徴またはディープニューラルネットワークに依存する。 事前定義された機能は、情報として数えられるものを事前に修正するのに対して、ディープニューラルネットワークとファンデーションモデルは解釈が難しく、大量のデータと計算を必要とするため、強いバイアスを伴います。 我々は、ラベルのないシフト不変k平均を用いて、原子と呼ばれる、繰り返し発生する脳波テンプレートの小さな辞書を学習する解釈可能なフレームワークであるbaba-of-wavesを提案する。 その後、連続したEEGは一連の原子トークンに変換され、カウントは単純な下流の分類器またはクラスタリングステップを供給します。 我々はこの表現を2つの方法で拡張する: n-grams と呼ばれる原子間遷移を加えて時間構造を捉える。 本手法は3つの相補的データセットを用いて, それぞれ異なる側面を呈示する: 単一チャネルマウスの遺伝子型クラスタリング(低データおよび時間的ケース), 安静状態認知症分類(空間的ケース), TUEVベンチマーク, 臨床脳波事象の6方向分類(強深部および基礎基盤線との比較)。 3つのデータセット全体で、バッグ・オブ・ウェーブは最先端のディープ・ファンデーション・モデルと競合するパフォーマンスを達成する。 全ての原子は検査可能な波形に対応するため、神経生理学者が直接検証できる既知の臨床形態を明示的に回復する。 その主な利点は、より重いモデルが不適合な低データ体制で機能することである。

関連論文リスト

• NeuroSonic: Conditional Flow Matching for EEG-to-Speech Reconstruction [30.839290792276852]
  頭皮脳波検査(EEG)による連続的な音声の再構成は基本的には困難である。 脳波から音声への再構成のための条件付きフローマッチングフレームワークであるNeuroSonicを導入する。 ニューロソニックは,脳波条件下でのクリーン音声に向けて,音の破損した音の状態を伝達する決定論的確率流場を学習する。
  論文  参考訳（メタデータ） (2026-06-23T03:04:53Z)
• Classification of Epileptic iEEG using Topological Machine Learning [0.13764085113103217]
  脳波信号からのてんかん発作の検出は、高次元性、非線形、潜在的に神経活動のダイナミクスを示すため、依然として困難である。 本研究では,多チャンネルデータを用いたてんかん患者の前頭葉,後頭葉および間頭葉のiEEG記録におけるトポロジカルデータ解析から得られた特徴が脳状態の分類を改善するか否かを検討する。
  論文  参考訳（メタデータ） (2026-04-13T19:04:30Z)
• WaveNet's Precision in EEG Classification [1.0885910878567457]
  本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。 モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。 WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
  論文  参考訳（メタデータ） (2025-10-10T09:21:21Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
  てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。 本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
  論文  参考訳（メタデータ） (2022-11-09T01:07:20Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• 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)
• 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)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
  我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。 我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
  論文  参考訳（メタデータ） (2020-09-04T20:41:47Z)

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。