Fugu-MT 論文翻訳(概要): Detecting high-frequency brain disorder signals using dynamic mode decomposition from EEG

論文の概要: Detecting high-frequency brain disorder signals using dynamic mode decomposition from EEG

arxiv url: http://arxiv.org/abs/2608.02804v1
Date: Mon, 03 Aug 2026 18:59:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:22.921684
Title: Detecting high-frequency brain disorder signals using dynamic mode decomposition from EEG
Title（参考訳）: 脳波の動的モード分解による高周波脳障害信号の検出
Abstract要約: 神経学的に関連する脳波チャンネルの信号から高周波帯域の持続的・持続的動的変化を抽出する。試験に合格した特徴表のPCA成分は, アルコール依存群と対照群とを区別する一貫したパターンを形成した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent studies have reported clearly identifiable dynamical changes in the high-frequency range of EEG signals recorded during specific stimuli, such as visual or auditory inputs, or in cases of brain disorders like epileptic seizures. In this study, we utilized Dynamic Mode Decomposition (DMD) to extract consistent and persistent dynamical changes in the high-frequency band from the signals of neurologically relevant EEG channels. High-frequency DMD modes were employed as features, composing a feature table. Through post-processing, a random distribution test was performed, revealing that approximately 70% of the samples exhibited consistent high-frequency dynamics within the signal of a specific channel. Furthermore, classification experiments confirmed that the PCA components of the feature table that passed the test formed a consistent pattern that distinguished the alcohol-dependent group from the control group.
Abstract（参考訳）: 近年の研究では、視覚入力や聴覚入力、てんかん発作などの脳疾患など、特定の刺激によって記録される高頻度脳波信号の動的変化が明らかになっていることが報告されている。本研究ではDMD(Dynamic Mode Decomposition)を用いて,脳波チャネルの信号から高周波帯域の持続的かつ永続的な動的変化を抽出した。高周波DMDモードが特徴として使われ、特徴表を構成する。後処理によりランダム分布試験を行い、サンプルの約70%が特定のチャネルの信号内で一貫した高周波ダイナミクスを示した。さらに, 試験に合格した特徴表のPCA成分が一貫したパターンを形成し, アルコール依存群と対照群を区別した。

関連論文リスト

Epileptic Seizure Detection in Separate Frequency Bands Using Feature Analysis and Graph Convolutional Neural Network (GCN) from Electroencephalogram (EEG) Signals [0.5599792629509229]
てんかん発作(Epileptic seizures)は、脳の異常で過剰な電気活動が特徴の神経疾患である。脳波信号は、時間的および空間的な神経力学を捉える能力により、発作の診断に広く用いられている。本研究は,脳波解析に基づくてんかん発作検出のための周波数認識フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-31T19:11:16Z)
DynHD: Hallucination Detection for Diffusion Large Language Models via Denoising Dynamics Deviation Learning [48.77865928715759]
拡散大言語モデル (D-LLM) は自己回帰モデルに代わる有望な代替品として登場した。幻覚は信頼性を損なう重要な問題です本研究では,これらのギャップを空間的(トケンシーケンス)と時間的(デノナイジングダイナミクス)の両方の観点から橋渡しするDynHDを提案する。
論文参考訳（メタデータ） (2026-03-17T12:40:29Z)
Stringology-Based Motif Discovery from EEG Signals: an ADHD Case Study [0.0]
弦学の手法を用いて脳波時系列を解析するための新しい計算手法を提案する。このフレームワークは順序保存マッチング(OPM)とカルテシアンツリーマッチング(CTM)に適応し、時間的モチーフを検出する。以上の結果から,ADHD関連脳波変化は時間的パターンの系統的変化,安定性,階層的構造に影響を及ぼすことが示唆された。
論文参考訳（メタデータ） (2026-03-03T19:44:55Z)
LERD: Latent Event-Relational Dynamics for Neurodegenerative Classification [19.992574981355247]
アルツハイマー病(AD)は脳電気生理学的に変化し、多チャンネル脳波のダイナミクスを阻害する。本稿では,多チャンネル脳波から直接潜在神経イベントとその関係構造を推定する終末電気生理学的神経力学系LERDを提案する。
論文参考訳（メタデータ） (2026-02-20T13:03:40Z)
Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文参考訳（メタデータ） (2026-02-04T15:25:02Z)
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)
ScatterFormer: Locally-Invariant Scattering Transformer for Patient-Independent Multispectral Detection of Epileptiform Discharges [7.726017342725144]
微妙な特徴に特に注意を払う不変な散乱変換に基づく階層変換器を提案する。特に、歪んだ周波数認識注意(FAA)により、Transformerは臨床的に有意な高周波成分を捉えることができる。ローランドてんかん患者におけるAUCROCの中央値と精度は98.14%,96.39%であった。
論文参考訳（メタデータ） (2023-04-26T10:10:58Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis [1.3416169841532526]
脳の異常活動パターンの同定における刺激非依存型脳波の有用性を示す。複数の周波数帯域を組み込んだ一般化モデルでは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付けるのがより効率的である。本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。
論文参考訳（メタデータ） (2022-11-23T00:28:41Z)
Characterizing TMS-EEG perturbation indexes using signal energy: initial study on Alzheimer's Disease classification [48.42347515853289]
経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示す。本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。
論文参考訳（メタデータ） (2022-04-29T19:27:06Z)
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)

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。