論文の概要: Deep Learning CNN and Recurrence Analysis for Alpha Gamma EEG Biomarkers in Fragile X Syndrome

• arxiv url: http://arxiv.org/abs/2608.00835v1
• Date: Sat, 01 Aug 2026 19:27:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.953523
• Title: Deep Learning CNN and Recurrence Analysis for Alpha Gamma EEG Biomarkers in Fragile X Syndrome
• Title（参考訳）: 深層学習CNNとFragile X症候群におけるαガンマ脳波バイオマーカーの再発解析
• Authors: Zag ElSayed, Payton Siekierski, Jack Yanchen Liu, Ernest Pedapati,
• Abstract要約: Fragile X syndrome(FXS)は、脆弱なX型精神遅滞タンパク質(FMRP)の発現低下により引き起こされる神経発達障害である EEGはアルファ(8Hzから12Hz)とガンマ(30Hzから100Hz)の振動の異常を一貫して明らかにする。 本稿では,FXS EEG表現型の自動評価のための多表現深層学習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: Fragile X Syndrome (FXS) is a neurodevelopmental disorder caused by reduced expression of fragile X mental retardation protein (FMRP), leading to disrupted synaptic plasticity, cortical hyperexcitability, and impaired network synchronization. Electroencephalography (EEG) provides a noninvasive window into these mechanisms and consistently reveals abnormalities in alpha (8 to 12 Hz) and gamma (30 to 100 Hz) oscillations that relate to inhibitory control, sensory processing, and cognition. This paper proposes a multi representation deep learning framework for automated characterization of FXS EEG phenotypes by integrating convolutional neural networks (CNNs), long short-term memory (LSTM) networks, and recurrence plot (RP) analysis. Band limited EEG signals are decomposed into alpha and gamma components and transformed into complementary representations, including temporal feature sequences, time frequency maps, and RP images encoding the nonlinear recurrence structure. CNN modules learn discriminative spatial-spectral and dynamical textures from image based representations, while LSTM modules model temporal modulation of oscillatory activity; a hybrid CNN LSTM architecture jointly captures spatial, temporal, and nonlinear dependencies. Subject-independent evaluation demonstrates that the hybrid model outperforms single modality baselines, with gamma features providing strong discriminative power and alpha gamma integration yielding the best overall performance. These findings support deep learning with nonlinear representations as a scalable approach for EEG biomarker development in FXS, with potential utility for diagnosis, stratification, and treatment monitoring in translational settings.
• Abstract（参考訳）: Fragile X syndrome (FXS) は、脆弱なX精神遅滞タンパク質(FMRP)の発現が減少し、シナプスの可塑性、皮質の過興奮性、ネットワーク同期が損なわれる神経発達障害である。 脳波検査(EEG)は、これらのメカニズムに非侵襲的な窓を与え、抑制制御、感覚処理、認知に関連するアルファ(8～12Hz)とガンマ(30～100Hz)の振動の異常を一貫して明らかにする。 本稿では、畳み込みニューラルネットワーク(CNN)、長期記憶(LSTM)ネットワーク、反復プロット(RP)分析を統合することで、FXS EEG表現型の自動評価のための多表現深層学習フレームワークを提案する。 帯域限定脳波信号は、アルファ成分とガンマ成分に分解され、時間的特徴系列、時間周波数マップ、非線形反復構造をコードするRP画像を含む相補的な表現に変換される。 CNNモジュールは画像ベース表現から識別的空間スペクトルおよび動的テクスチャを学習し、LSTMモジュールは振動活動の時間変調をモデル化する。 主観非依存評価では、ハイブリッドモデルは単一のモダリティベースラインより優れており、ガンマ特性は強い判別力を与え、アルファガンマ積分は最高の総合的な性能をもたらす。 これらの知見は、FXSにおける脳波バイオマーカー開発のためのスケーラブルなアプローチとして非線形表現を用いたディープラーニングをサポートし、翻訳環境における診断、成層化、治療モニタリングに有用である。

関連論文リスト

• 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)
• Spectral Priors vs. Attention: Investigating the Utility of Attention Mechanisms in EEG-Based Diagnosis [0.802904964931021]
  特徴構造に対するスペクトル選択的アプローチがクラス分離性を高めることを示す。 一次脳波帯内の信号強度を分離することにより、高次元の生データを高価値スペクトル特徴に変換する。
  論文  参考訳（メタデータ） (2026-05-14T21:26:07Z)
• Implicit Neural Representations: A Signal Processing Perspective [54.57279006229212]
  入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。 本稿では、信号処理の観点からのINRの進化を考察し、スペクトル挙動、サンプリング理論、マルチスケール表現を強調する。 医療・レーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用分野におけるINRの有用性を強調した。
  論文  参考訳（メタデータ） (2026-04-16T14:12:06Z)
• SPECTRE: Spectral Pre-training Embeddings with Cylindrical Temporal Rotary Position Encoding for Fine-Grained sEMG-Based Movement Decoding [16.992187199187764]
  非侵襲的表面筋電図(sEMG)からの微細な運動の復号は、信号非定常性と低信号-雑音比による補綴制御の課題である。 これらの制限を克服するために、ドメイン固有のSSLフレームワークであるSPECTREを紹介します。 SPECTREは動作復号化のための新しい最先端技術を確立し、教師付きベースラインと汎用SSLアプローチの両方を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2025-12-27T05:55:06Z)
• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• T2I-Diff: fMRI Signal Generation via Time-Frequency Image Transform and Classifier-Free Denoising Diffusion Models [10.21645911536505]
  本稿では,BOLD信号の時間周波数表現を利用するfMRI生成フレームワークであるT2I-Diffを紹介する。 ダウンストリームfMRIを用いた脳ネットワーク分類において,精度の向上と一般化を実証した。
  論文  参考訳（メタデータ） (2025-09-25T07:08:19Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• CATD: Unified Representation Learning for EEG-to-fMRI Cross-Modal Generation [17.27095141003757]
  本稿では,ニューロイメージングの終端から終端までのクロスモーダル合成のための条件付き時間拡散(CATD)フレームワークを提案する。 提案フレームワークは神経画像のクロスモーダル合成のための新しいパラダイムを確立し,パーキンソン病予測の改善や異常脳領域の同定などの医療応用の可能性を示唆している。
  論文  参考訳（メタデータ） (2024-07-16T11:31:38Z)

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。