論文の概要: NeuroStrata: An Electroencephalographic Connectivity-Aware Deep Representation Learning Framework for Dynamic Brain Network Analysis of Mental Stress

• arxiv url: http://arxiv.org/abs/2608.20354v1
• Date: Wed, 17 Jun 2026 07:00:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.279511
• Title: NeuroStrata: An Electroencephalographic Connectivity-Aware Deep Representation Learning Framework for Dynamic Brain Network Analysis of Mental Stress
• Title（参考訳）: NeuroStrata:精神ストレスの動的脳ネットワーク解析のための脳波接続性を考慮した深部表現学習フレームワーク
• Abstract要約: NeuroStrataは、脳波に基づくメンタルストレス分析のための接続性を考慮した深層表現学習フレームワークである。 分散脳領域を横断する周波数特異的な接続の時間的進化をモデル化する。 これは、脳波に基づくメンタルストレス分析のための解釈可能で自動化されたアプローチを提供する。
• 参考スコア（独自算出の注目度）: 12.74452741640139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study introduces NeuroStrata, a connectivity-aware deep representation learning framework for EEG-based mental stress analysis using Time-Varying Partial Directed Coherence (TV-PDC). Unlike conventional EEG classification approaches based on static features, NeuroStrata models the temporal evolution of frequency-specific directed connectivity across distributed brain regions. EEG signals from the 32-channel SAM 40 dataset recorded during mental arithmetic tasks were used to generate TV-PDC connectivity maps. These maps were processed using pretrained Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs) to extract deep connectivity embeddings, which were subsequently classified using lightweight machine learning models. Experimental results demonstrate that beta-band connectivity provides the highest discriminative capability, achieving a peak accuracy of 97.3% using the LAION-CLIP-ViT-L14 backbone with a Support Vector Machine classifier, while alpha-band connectivity exhibits consistently stable performance across model configurations. Connectivity analysis revealed prominent frontal-driven alpha influences and centrally integrated beta connectivity patterns associated with stress-related neural dynamics. Temporal evaluation further indicated that classification performance stabilizes in mid-to-late temporal windows, suggesting progressive consolidation of stress-related connectivity signatures. The proposed framework integrates time-varying effective connectivity modelling with deep representation learning to provide an interpretable and automated approach for EEG-based mental stress analysis.
• Abstract（参考訳）: 本研究では,時間変化部分指向コヒーレンス(TV-PDC)を用いた脳波を用いた心理的ストレス分析のための,接続性を考慮した深層表現学習フレームワークであるNeuroStrataを紹介する。 静的特徴に基づく従来の脳波分類アプローチとは異なり、NeuroStrataは、分散脳領域にわたる周波数特異的指向接続の時間的進化をモデル化する。 メンタル算術タスク中に記録された32チャンネルSAM 40データセットからの脳波信号を用いて,TV-PDC接続マップを生成する。 これらのマップは、事前訓練された畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)を使用して処理され、深い接続の埋め込みを抽出し、その後、軽量機械学習モデルを使用して分類された。 実験の結果、ベータバンド接続が最も高い識別能力を示し、LAION-CLIP-ViT-L14バックボーンとSupport Vector Machineの分類器を用いて97.3%のピーク精度を達成した。 コネクティビティ分析では、ストレス関連神経力学に関連する前頭葉駆動型アルファの影響と、中心的に統合されたベータ接続パターンが明らかにされた。 さらに、時間的評価により、中～後期の時間的窓において分類性能が安定していることが示され、ストレス関連接続シグネチャの漸進的な統合が示唆された。 提案フレームワークは,脳波に基づくメンタルストレス分析のための解釈可能かつ自動化されたアプローチを提供するために,時間変化による効果的な接続性モデリングと深層表現学習を統合した。

関連論文リスト

• Decoding the Stressed Brain with Geometric Machine Learning [3.8982812950782253]
  ストレスは精神障害と身体障害の両方に寄与する。 本研究では,幾何学的機械学習を用いて生記録からのストレスを検出する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-31T14:47:48Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph Representation Learning with Application to Brain Disorder Identification [5.563162319586206]
  機能的接続(FC)を用いた脳コネクトーム分類におけるパターン認識手法の最近の応用は、時間とともに脳コネクトームの認知的側面へとシフトしている。 本稿では,ヒトの自閉症スペクトラム障害(ASD)を同定するために,非時間変動ベイズフレームワークを提案する。 このフレームワークは、動的FCネットワークをまたいだリッチテンポラルパターンをキャプチャするための注意に基づくメッセージパッシングスキームを備えた、空間認識リカレントニューラルネットワークを組み込んでいる。
  論文  参考訳（メタデータ） (2023-02-14T18:42:17Z)
• ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
  イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。 また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
  論文  参考訳（メタデータ） (2023-01-19T19:45:42Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)

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。