Fugu-MT 論文翻訳(概要): Predicting the Outcome of rTMS Depression Therapy using EEG Signals and CNN

論文の概要: Predicting the Outcome of rTMS Depression Therapy using EEG Signals and CNN

arxiv url: http://arxiv.org/abs/2607.22776v1
Date: Fri, 24 Jul 2026 08:23:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:14.874676
Title: Predicting the Outcome of rTMS Depression Therapy using EEG Signals and CNN
Title（参考訳）: 脳波信号とCNNを用いたrTMS抑うつ療法の予後予測
Authors: Wael Korani, Md Fahimul Kabir Chowdhury, Sadam AlQadi, Priyan Malarvizhi kumar, Reza Rostami, Reza Kazemi,
Abstract要約: 本稿では,rTMSうつ治療の結果を予測するための効率的なディープラーニング分類器を提案する。提案したフレームワークは解釈可能で、計算効率が高く、現実世界の地域精神科クリニックに展開するのに適している。
参考スコア（独自算出の注目度）: 1.5867477792290454
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Repetitive transcranial magnetic stimulation (rTMS) is a non invasive therapy for Major Depressive Disorder (MDD). In this study, we generate images using two time frequency methods to represent EEG signals: Fourier-Bessel Series Expansion with Euclidean Distance (FBSE-ED) and Discrete Wavelet Transform (DWT). We propose an efficient deep learning classifier to predict the outcome of rTMS depression therapy. In this study, we use a private rTMS databases to train a lightweight custom Convolutional Neural Network (CNN) using 10-fold cross validation strategy in order to avoid any bias in our results. The results show that the FBSE-ED representation achieves the highest classification accuracy of 93.60\%, outperforming traditional time-frequency technique (DWT). In addition, the proposed architecture with FBSE-ED image representation technique outperforms more complex EEG-Specific deep learning models (EEGNet, DeepConvNet, SleepEEGNet) by 3.62-10.72% and pretrained models (Xception, DenseNet201, and MobileNetV2) by 23.03-27.35%. For more experiments, we utilize another private rTMS database as test database to show the robustness of the proposed model. Our results suggest that integrating advanced signal decomposition with deep learning can facilitate early prediction of rTMS treatment response and support more targeted clinical decision-making. The proposed framework is interpretable, computationally efficient, and well-suited for deployment in real-world local psychiatric clinics.
Abstract（参考訳）: 反復性経頭蓋磁気刺激(repetitive transcranial magnetic stimulation, RTMS)は、大うつ病(MDD)の非侵襲的治療である。本研究では,Fourier-Bessel Series Expansion with Euclidean Distance (FBSE-ED) とDisdisrete Wavelet Transform (DWT) の2つの時間周波数法を用いて画像を生成する。本稿では,rTMSうつ治療の結果を予測するための効率的なディープラーニング分類器を提案する。本研究では、プライベートなrTMSデータベースを用いて、10倍のクロスバリデーション戦略を用いて、軽量なカスタム畳み込みニューラルネットワーク(CNN)をトレーニングし、結果のバイアスを回避する。その結果,FBSE-ED表現の分類精度は93.60 %であり,従来の時間周波数法(DWT)よりも優れていた。さらに、FBSE-ED画像表現技術を用いたアーキテクチャは、EEG-Specific Deep Learning Model(EEGNet、DeepConvNet、SleepEEGNet)を3.62-10.72%、事前訓練モデル(Xception、DenseNet201、MobileNetV2)を23.03-27.35%、より複雑なEEG-Specific Deep Learning Model(EEGNet、DeepConvNet、SleepEEGNet)より優れている。さらなる実験では、別のプライベートなrTMSデータベースをテストデータベースとして使用し、提案モデルの堅牢性を示す。以上の結果から,高度な信号分解を深層学習と組み合わせることで,rTMS治療反応の早期予測と,より標的とした臨床的意思決定を支援することが示唆された。提案したフレームワークは解釈可能で、計算効率が高く、現実世界の地域精神科クリニックに展開するのに適している。

関連論文リスト

EEG-FuseFormer: A Transformer-Driven Feature Fusion Framework for Seizure Onset Prediction [1.6078171808054218]
発作発生の正確な予測はてんかん患者のリスクを軽減するのに役立つ。本稿では,アセプション・オンセット予測のためのトランスフォーマーベースの機能融合フレームワークであるEEG-FuseFormerを提案する。提案モデルでは,98.85%の平均リコールを実現し,最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2026-06-01T12:27:01Z)
Cross-Subject Intracranial EEG Reconstruction from Scalp Recordings Using Multi-Scale Cross-Attention Transformers [0.0]
頭蓋内脳波(iEEG)は、臨床および脳-コンピュータインターフェースに必須の高忠実性神経記録を提供する。本研究では, 他者に対して訓練したモデルを用いて頭蓋内信号の予測を行うことにより, クロスオブジェクトiEEG再建の課題に対処する。
論文参考訳（メタデータ） (2026-05-17T10:43:25Z)
Brain2Vec: A Deep Learning Framework for EEG-Based Stress Detection Using CNN-LSTM-Attention [0.0]
Brain2Vecは、生の脳波記録からストレス状態を分類する新しいディープラーニングツールだ。これらの結果は、Brain2Vecがウェアラブルストレス監視プラットフォームとパーソナライズされたヘルスケアシステムに統合される可能性を示している。
論文参考訳（メタデータ） (2025-06-12T12:57:19Z)
A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文参考訳（メタデータ） (2023-11-06T12:58:26Z)
DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文参考訳（メタデータ） (2023-09-07T13:43:46Z)
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)
Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文参考訳（メタデータ） (2022-04-11T17:29:36Z)
DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文参考訳（メタデータ） (2021-05-17T15:43:59Z)
Multi-Sample Online Learning for Spiking Neural Networks based on Generalized Expectation Maximization [42.125394498649015]
スパイキングニューラルネットワーク(SNN)は、バイナリニューラルダイナミックアクティベーションを通じて処理することで、生物学的脳の効率の一部をキャプチャする。本稿では, シナプス重みを共有しながら, 独立したスパイキング信号をサンプリングする複数のコンパートメントを活用することを提案する。鍵となる考え方は、これらの信号を使ってログライクなトレーニング基準のより正確な統計的推定と勾配を求めることである。
論文参考訳（メタデータ） (2021-02-05T16:39:42Z)
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文参考訳（メタデータ） (2021-01-24T19:03:10Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。