Fugu-MT 論文翻訳(概要): Neonatal Hypoxic-ischaemic Encephalopathy Classification from the EEG and HRV Signals Using a Conformer based Masked Autoencoder

論文の概要: Neonatal Hypoxic-ischaemic Encephalopathy Classification from the EEG and HRV Signals Using a Conformer based Masked Autoencoder

arxiv url: http://arxiv.org/abs/2607.23554v1
Date: Sun, 26 Jul 2026 09:11:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:15.14929
Title: Neonatal Hypoxic-ischaemic Encephalopathy Classification from the EEG and HRV Signals Using a Conformer based Masked Autoencoder
Title（参考訳）: コンバータをベースとしたマスドオートエンコーダを用いた脳波およびHRV信号からの新生児低酸素虚血性脳症分類
Abstract要約: 本稿では,脳波(EEG)および心拍変動(HRV)信号からの表現学習のための新しい自己教師型学習フレームワークを提案する。畳み込み操作とTransformerベースの自己アテンションを統合することで、MAEConformerはローカル時間パターンと長距離コンテキスト依存の両方を効果的にキャプチャする。実験の結果,学習した表現が強い伝達性とデータ効率をもたらすことが示された。
参考スコア（独自算出の注目度）: 1.2599533416395767
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose the MAEConformer, a novel self-supervised learning framework that combines the Conformer architecture with the Masked Autoencoder (MAE) paradigm for large-scale representation learning from unlabelled electroencephalography (EEG) and heart rate variability (HRV) signals. By integrating convolutional operations with Transformer-based self-attention, MAEConformer effectively captures both local temporal patterns and long-range contextual dependencies in physiological time series. To enhance reconstruction fidelity and representation quality, a multi-resolution short-time Fourier transform (MR-STFT) loss is incorporated alongside the reconstruction objective, enabling the model to jointly learn temporal and spectral characteristics across multiple scales. Modality-specific EEG and HRV MAEConformer models were pretrained on 6,030h and 4,868h of unlabelled recordings, respectively, and subsequently transferred to expert-annotated downstream tasks. Experimental results demonstrate that the learned representations provide strong transferability and data efficiency. In EEG-based hypoxic ischemic encephalopathy (HIE) severity classification, the pretrained MAE-EEG model achieved test AUCs of 97.19% and 96.56% for binary and four-class classification tasks, respectively, outperforming a range of state-of-the-art supervised and self-supervised baselines. On the HRV-based HIE severity classification task, MAE-HRV achieved a test AUC of 82.42%, surpassing both self-supervised Transformer-based and supervised convolutional baselines. These findings demonstrate the effectiveness of MAEConformer for learning robust and transferable representations across multiple physiological modalities.
Abstract（参考訳）: 本稿では,コンバータアーキテクチャとMasked Autoencoder(MAE)パラダイムを併用した新しい自己教師型学習フレームワークであるMAEConformerを提案する。畳み込み操作とTransformerベースの自己アテンションを統合することで、MAEConformerは生理的時系列における局所的時間的パターンと長期的コンテキスト依存の両方を効果的にキャプチャする。多分解能短時間フーリエ変換(MR-STFT)の損失を再構成対象と組み合わせることで,複数スケールにわたる時間特性とスペクトル特性の同時学習を可能にする。モダリティ固有のEEGとHRV MAEコンフォーマーは、それぞれ6,030hと4,868hの未ラベルレコードで事前訓練され、その後専門家が注釈を付けた下流タスクに移行した。実験の結果,学習した表現が強い伝達性とデータ効率をもたらすことが示された。脳波による低酸素性虚血性脳症 (HIE) の重症度分類では、プレトレーニングされたMAE-EEGモデルは、それぞれ2進および4等分類タスクにおいて97.19%と96.56%の試験AUCを達成した。 HRVベースのHIE重度分類タスクにおいて、MAE-HRVは82.42%のテストAUCを達成し、自己教師型トランスフォーマーベースと教師型畳み込みベースラインの両方を上回った。以上の結果から,MAEコンフォーマーが複数の生理的モダリティにまたがる頑健かつ伝達可能な表現の学習に有効であることが示唆された。

関連論文リスト

Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU [44.313512671851306]
軽度心室頻拍(VT)アラームは集中治療単位のアラーム疲労の原因となる。本稿では,1D SE-ResNetと ICU-realistic Data Augmentation を組み合わせたディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2026-09-08T16:33:07Z)
ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding [47.35612571473169]
EEGビジュアルデコーディングは、非侵襲的な神経時系列信号から視覚的セマンティクスを回復することを目的としている。既存の手法は固定された視覚的あるいはテキスト的アンカーに依存しており、その意味的関係は、試行錯誤、主題、学習段階によって異なる脳波表現と一致している可能性がある。本稿では,適応型ニューラル・セマンティックアライメントのための統一的でモデルに依存しないフレームワークであるProgressive Contrastive Alignment(ProCA)を提案する。
論文参考訳（メタデータ） (2026-09-04T12:48:25Z)
Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks [46.533103231728724]
INCEPTは11,000時間以上の非競合型臨床脳波をトレーニングした、不変指向の脳波基礎モデルである。買収後の脳波分析の3段階にまたがる10個のデータセットの広スペクトルベンチマークでINCEPTを評価した。
論文参考訳（メタデータ） (2026-08-25T14:20:02Z)
DARE-EEG: A Foundation Model for Mining Dual-Aligned Representation of EEG [25.4837936625773]
両面共役表現学習によりマスク不変性を強制する自己教師型基礎モデルであるDARE-EEGを提案する。具体的には、同一の脳波サンプルの複数のマスキングビューからの表現を制約するマスクアライメントを導入する。また,不均一電極構成に事前学習した表現を適応させるパラメータ効率の手法であるconv-linear-probingを提案する。
論文参考訳（メタデータ） (2026-05-18T12:18:43Z)
MedMamba: Recasting Mamba for Medical Time Series Classification [6.852021597208217]
心電図(ECG)や脳電図(EEG)などの医療時系列は、複雑な時間的ダイナミクスを示す。本稿では,医療時系列分類に適した,原理駆動型多方向性状態空間アーキテクチャであるMedMambaを提案する。我々の設計は、空間集中化、多時間的時間的構成、非因果的文脈依存という、生理的信号の3つの重要な帰納的バイアスによって導かれる。
論文参考訳（メタデータ） (2026-04-17T01:20:02Z)
A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
MRIからCTへの変換にはGANアーキテクチャが提案されている。我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
論文参考訳（メタデータ） (2026-03-13T18:54:20Z)
Learning Alzheimer's Disease Signatures by bridging EEG with Spiking Neural Networks and Biophysical Simulations [42.091774598477706]
脳波に基づくアルツハイマー病検出のための従来のディープラーニングアプローチは、計算集約的で機械的に不透明である。本稿では,データ駆動学習と生体物理シミュレーションを結びつけるニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2026-01-30T21:54:16Z)
Interpretable and backpropagation-free Green Learning for efficient multi-task echocardiographic segmentation and classification [23.395777551262494]
グリーンラーニングフレームワークは、左室(LV)セグメンテーションとLVEFの同時分類を実行する。 EchoNet-Dynamicデータセットでは、MTGLモデルは最先端の分類とセグメンテーション性能を達成する。この研究は、GLパラダイムが複雑な医用画像解析のための高精度、効率的、解釈可能なソリューションを提供できることを示した。
論文参考訳（メタデータ） (2026-01-27T16:04:42Z)
Synthetic Electrogram Generation with Variational Autoencoders for ECGI [0.0]
合成多チャンネル心房筋電図生成のための可変オートエンコーダ(VAE)を提案する。正弦リズム固有のVAE(VAE-S)と、正弦リズムとAF信号の両方で訓練されたクラス条件のVAE(VAE-C)の2つのモデルが提案されている。 VAE-SはサイリコEGMに対して高い忠実度を達成する一方、VAE-Cは洞再建品質の低下を犠牲にしてリズム特異的な生成を可能にする。
論文参考訳（メタデータ） (2025-12-16T16:13:25Z)
Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment [24.340328016766183]
T1強調MRIを用いたLDD検出のための協調的ドメイン適応フレームワークを提案する。このフレームワークは、ラベル付きソースデータに対する教師付きトレーニング、自己教師付きターゲット特徴適応、ラベルなしターゲットデータに対する協調トレーニングの3段階で構成されている。マルチサイトT1強調MRIデータを用いて行った実験により、このフレームワークは最先端の非教師なし領域適応法より一貫して優れていることが示された。
論文参考訳（メタデータ） (2025-07-30T01:38:32Z)
Multimodal Latent Fusion of ECG Leads for Early Assessment of Pulmonary Hypertension [30.124231086488976]
リード特異的心電図マルチモーダル変分オートエンコーダ(textscLS-EMVAE)を提案する。 textscLS-EMVAEには階層的モダリティエキスパート(HiME)融合機構と遅延表現アライメント損失が組み込まれている。 6L-ECG設定で2つの振り返りコホートでtextscLS-EMVAEを検証する。
論文参考訳（メタデータ） (2025-03-03T16:16:38Z)
FoME: A Foundation Model for EEG using Adaptive Temporal-Lateral Attention Scaling [19.85701025524892]
FoME (Foundation Model for EEG) は適応的側方アテンションスケーリングを用いた新しいアプローチである。 FoMEは1.7TBの頭皮と頭蓋内脳波記録のデータセットで事前訓練されており、1,096kのステップで745Mのパラメータが訓練されている。
論文参考訳（メタデータ） (2024-09-19T04:22:40Z)
PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文参考訳（メタデータ） (2024-09-08T15:02:25Z)
Dual-TSST: A Dual-Branch Temporal-Spectral-Spatial Transformer Model for EEG Decoding [2.0721229324537833]
デュアルブランチ時間スペクトル空間変換器(Dual-TSST)を用いた新しいデコードアーキテクチャネットワークを提案する。提案するDual-TSSTは様々なタスクにおいて優れており,平均精度80.67%の脳波分類性能が期待できる。本研究は,高性能脳波デコーディングへの新たなアプローチを提供するとともに,将来のCNN-Transformerベースのアプリケーションにも大きな可能性を秘めている。
論文参考訳（メタデータ） (2024-09-05T05:08:43Z)
EEG-SCMM: Soft Contrastive Masked Modeling for Cross-Corpus EEG-Based Emotion Recognition [0.862468061241377]
クロスコーパス脳波に基づく感情認識の課題を解決するために,ソフトコントラスト・マスクド・モデリング(SCMM)と呼ばれる新しいフレームワークを提案する。 SCMMは、ソフトコントラスト学習とハイブリッドマスキング戦略を統合し、感情力学を効果的に捉える。実験では、SCMMは、同じクラスと異なるクラスのクロスコーパス設定の両方で平均4.26%の精度を達成する。
論文参考訳（メタデータ） (2024-08-17T12:35:13Z)

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。