論文の概要: Delta2Gamma: Band-Wise Adaptive Contrastive Learning of EEG for Alzheimer's Disease Detection

• arxiv url: http://arxiv.org/abs/2608.17231v1
• Date: Tue, 18 Aug 2026 00:35:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.169983
• Title: Delta2Gamma: Band-Wise Adaptive Contrastive Learning of EEG for Alzheimer's Disease Detection
• Title（参考訳）: Delta2Gamma:アルツハイマー病検出のための脳波のバンドワイズ適応コントラスト学習
• Abstract要約: Delta2Gammaは、ラベルのないデータからEEG表現を学習する自己教師型フレームワークである。 EEGを単一のストリームとして扱うのではなく、Delta2Gammaは、すべての録音を5つの標準神経リズムに分解する。 ADFTDコホートは厳格な離脱1サブジェクトアウトプロトコルに基づいており、Delta2Gammaはアルツハイマー病を92.4%の精度で認知正常なコントロールから分離している。
• 参考スコア（独自算出の注目度）: 15.9691465248047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-cost, scalable screening for dementia remains an open problem. Imaging-based diagnosis is costly and hard to deploy widely. Electroencephalography (EEG) is portable and inexpensive, but its recordings are noisy, vary widely across subjects, and carry few clinical labels. We tackle this with Delta2Gamma, a self-supervised framework that learns EEG representations from unlabeled data by contrasting augmented views of each signal. Rather than treat EEG as a single stream, Delta2Gamma decomposes every recording into the five canonical neural rhythms (delta, theta, alpha, beta, gamma). Each band gets its own encoder and projection head. Each also gets a temperature that is predicted adaptively during contrastive training, so bands with different signal statistics are balanced automatically. On the ADFTD cohort under a strict leave-one-subject-out protocol, Delta2Gamma separates Alzheimer's disease from cognitively normal controls with 92.4\% accuracy. This exceeds both supervised backbones and recent dedicated EEG methods.
• Abstract（参考訳）: 認知症に対する低コストでスケーラブルなスクリーニングは、依然として未解決の問題である。 画像に基づく診断は高価であり、広く展開することは困難である。 脳波検査(EEG)はポータブルで安価であるが、記録はノイズが多く、被験者によって異なる。 デルタ2ガンマ(Delta2Gamma)は、標識のないデータから脳波の表現を学習する自己教師型フレームワークである。 EEGを単一のストリームとして扱うのではなく、Delta2Gammaは5つの標準神経リズム(デルタ、セタ、アルファ、ベータ、ガンマ)にすべての記録を分解する。 各バンドには独自のエンコーダとプロジェクションヘッドがある。 それぞれがコントラストトレーニング中に適応的に予測される温度を得るため、異なる信号統計を持つバンドは自動的にバランスを取る。 ADFTDコホートでは、厳格な1サブジェクトアウトプロトコルの下で、Delta2Gammaは、92.4\%の精度で認知正常なコントロールからアルツハイマー病を分離する。 これは、教師付きバックボーンと最近の専用のEEGメソッドの両方を超えている。

関連論文リスト

• CFD-Guided Detection of Concept Drift in Multimodal Physiologic Signals [0.7739635712759623]
  心臓血管型AIモデルは、クリーンな心電図(ECG)信号を分類することができるが、実際のウェアラブル信号は、運動、呼吸、姿勢、センサー接触、そして真の臨床劣化によって変化する。 本稿では、モデルをいつ予測し、変更し、不確実性をフラグするべきかを問う。 本稿では, モデル内の変化と信号の計測可能な変化を比較する, PECSと呼ばれる生理的安定性の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-08-07T20:48:49Z)
• Knowledge-Guided Cross-Modal Fusion for Adult-to-Pediatric ECG Transfer via Label-Conditioned Contrastive Alignment [14.930028755884548]
  成人および小児心電図(ECG)の解釈は年齢感受性基準に依存している。 既存のマルチモーダルECG-テキスト法は、通常、大域的なサンプルレベルで波形とテキストを整列させる。 成人期のMIMIC-IV心電図コーパスを事前訓練した知識誘導フレームワークであるPEACE(Cross-Modal Enhancement)による小児心電図アライメントを提案する。
  論文  参考訳（メタデータ） (2026-07-17T13:11:12Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
  アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。 本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-08-20T13:11:43Z)
• Novel Epileptic Seizure Detection Techniques and their Empirical Analysis [2.3301643766310374]
  3次元化アルゴリズム、主成分分析(PCA)、独立成分分析(ICA)、線形判別分析(LDA)を用いる。 提案されたフレームワークはBonnデータセットでテストされる。 シミュレーション結果は、LDAとNBの組み合わせに対して100%の精度を提供する。
  論文  参考訳（メタデータ） (2023-02-17T20:58:17Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• An EEG-based approach for Parkinson's disease diagnosis using Capsule network [0.0]
  パーキンソン病は2番目に一般的な神経変性疾患である。 PDの体系的早期診断と治療は確立されていない。 異なる脳波帯で異なる分類精度を比較すると、ガンマバンドで最も高い精度が示された。
  論文  参考訳（メタデータ） (2021-12-27T09:22:50Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Learning from Subjective Ratings Using Auto-Decoded Deep Latent Embeddings [23.777855250882244]
  ラベルにおける主観性管理は医用画像解析における根本的な問題である。 自動復号型ディープ潜在埋め込み(addle)を導入する ADDLEは自動デコーダフレームワークを使用して各レーダの傾向を明示的にモデル化する。
  論文  参考訳（メタデータ） (2021-04-12T15:40:42Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。