Fugu-MT 論文翻訳(概要): EEG-to-Report: An Annotation and Feature-Text Framework for Training Language Models on Clinical EEG

論文の概要: EEG-to-Report: An Annotation and Feature-Text Framework for Training Language Models on Clinical EEG

arxiv url: http://arxiv.org/abs/2608.26153v1
Date: Fri, 03 Jul 2026 07:44:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.366552
Title: EEG-to-Report: An Annotation and Feature-Text Framework for Training Language Models on Clinical EEG
Title（参考訳）: EEG-to-Report:臨床脳波を用いた言語モデルトレーニングのためのアノテーションと特徴テキストフレームワーク
Abstract要約: 臨床脳波検査(EEG)の報告は、主に手作業と時間を要する。我々は、ルーチンレビューとAI対応データセットの構築をリンクするブラウザベースのアノテーションと機能テキストフレームワークであるEEG-to-Reportを紹介する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Clinical electroencephalography (EEG) reporting remains largely manual and time-consuming, and current EEG software ecosystems do not produce the structured EEG-text supervision needed for training modern language models. Most toolboxes focus on visualization or preprocessing, providing limited support for workflows that generate high-quality datasets for AI. We introduce EEG-to-Report, a browser-based annotation and feature-text framework that links routine EEG review with the construction of AI-ready datasets. The framework integrates multi-format EEG ingestion, channel standardization, and an interactive viewer with a multimodal annotation layer that combines typed text and transcribed voice notes. For each annotated segment, a feature extraction engine computes a standardized set of spectral, temporal, entropy, Hjorth, connectivity, and spike-related descriptors, stored alongside clinical descriptions in a portable JSON schema. This yields aligned feature-text pairs designed to supervise multimodal EEG-language models. The framework also includes an auto-report module that couples an ensemble of convolutional networks with a large language model to draft clinical narratives for neurologist review. Using pilot annotations, we describe how EEG-to-Report streamlines annotation workflows and produces editable draft reports, providing a reusable foundation for automated EEG reporting systems.
Abstract（参考訳）: 臨床脳波検査(EEG)報告は主に手作業と時間を要するが、現在の脳波ソフトウェアエコシステムでは、現代言語モデルのトレーニングに必要な構造化脳波テキストの監督は行われていない。ほとんどのツールボックスは視覚化や前処理に重点を置いており、AIのための高品質なデータセットを生成するワークフローを限定的にサポートする。我々は、通常のEEGレビューとAI対応データセットの構築をリンクするブラウザベースのアノテーションと機能テキストフレームワークであるEEG-to-Reportを紹介する。このフレームワークは、マルチフォーマットのEEG取り込み、チャンネルの標準化、およびタイプテキストと書き起こされた音声ノートを組み合わせたマルチモーダルアノテーション層と対話的なビューアを統合する。アノテーション付きセグメント毎に、機能抽出エンジンは、標準化されたスペクトル、時間的、エントロピー、Hjorth、接続性、スパイク関連記述子を計算し、ポータブルなJSONスキーマに臨床記述と一緒に格納する。これにより、マルチモーダルなEEG言語モデルを監督するために設計された特徴テキストペアが生成される。フレームワークには自動レポートモジュールも含まれており、畳み込みネットワークと大きな言語モデルが組み合わされ、神経学者のレビューのために臨床物語を起草する。パイロットアノテーションを用いて、EEG-to-Reportは、どのようにアノテーションワークフローを合理化し、編集可能なドラフトレポートを生成するかを説明し、自動EEGレポートシステムのための再利用可能な基盤を提供する。

関連論文リスト

BrainBench: Benchmarking Large Language Models for Comprehensive EEG Understanding [29.151563019741545]
包括的で命令条件のEEG理解のための統合ベンチマークであるベンチマークネームを導入する。 4つのサブセットで構成されており、-Foundational Analysis、Sleep Assessment、Neurocognitive Assessment、Physological Integrationである。結果はモデル、サブセット、難易度、実行パラダイムによって大きく異なり、EEGの能力がモデルとその運用に依存していることを示している。
論文参考訳（メタデータ） (2026-08-04T19:07:09Z)
OmniEEG-Bench: A Standardized Evaluation Benchmark for EEG Foundation Models [22.964421663748755]
我々は,脳波基礎モデル(FM)のための統一ベンチマークとダウンストリームタスクロードマップであるOmniEEG-Benchを紹介する。脳波FMの評価を、(i)信号信頼性、(ii)生体計測と疾患、(iii)意識と状態、(iv)認知と感情、(v)自然主義的刺激復号、(vi)運動と相互作用の6つのタスクファミリーに分類する。代表的なEEGファンデーションモデル10をベンチマークし、さまざまな評価設定をカバーするリーダーボードを報告します。
論文参考訳（メタデータ） (2026-05-30T17:20:04Z)
NeuroLex: A Lightweight Domain Language Model for EEG Report Understanding and Generation [2.1979513477844423]
NeuroLexは、EEGレポートテキストに基づいて純粋にトレーニングされた軽量なドメイン適応型言語モデルである。 NeuroLexは脳波レポートの言語的および診断的特徴に合わせている。バイオメディカルテキストモデリングとブレイン・コンピュータ・インタフェースを橋渡しする。
論文参考訳（メタデータ） (2025-11-17T00:44:35Z)
ECHO: Toward Contextual Seq2Seq Paradigms in Large EEG Models [28.18721116424753]
大規模脳波モデル(LEM)は、エンコーダ中心のアーキテクチャを大規模未ラベルデータに事前訓練し、普遍的な表現を抽出することでこの問題に対処する。脳波モデリングをシーケンス・ツー・シーケンス・ラーニングとして再構成する新しいデコーダ中心のLEMパラダイムであるECHOを導入する。 ECHOは、最先端のシングルタスクEMをマルチタスク設定で一貫して上回り、より優れた一般化と適応性を示す。
論文参考訳（メタデータ） (2025-09-26T16:37:34Z)
WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
論文参考訳（メタデータ） (2025-09-26T06:21:51Z)
DREAMS: A python framework for Training Deep Learning Models on EEG Data with Model Card Reporting for Medical Applications [7.2934799091933815]
脳波データに適用されたディープラーニングモデルのための自動モデルカードを生成するように設計されたPythonベースのフレームワークであるDREAMSを紹介する。一般的なモデルレポートツールとは異なり、DREAMSはEEGベースのディープラーニングアプリケーションに特化している。このフレームワークはディープラーニングパイプラインとシームレスに統合され、構造化YAMLベースのドキュメントを提供する。
論文参考訳（メタデータ） (2024-09-26T13:12:13Z)
CELA: Cost-Efficient Language Model Alignment for CTR Prediction [70.65910069412944]
CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最重要位置を占める。最近の取り組みは、プレトレーニング言語モデル(PLM)を統合することでこれらの課題を緩和しようとしている。 CTR予測のためのtextbfCost-textbfEfficient textbfLanguage Model textbfAlignment (textbfCELA)を提案する。
論文参考訳（メタデータ） (2024-05-17T07:43:25Z)
Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
論文参考訳（メタデータ） (2024-02-27T11:45:21Z)
FLIP: Fine-grained Alignment between ID-based Models and Pretrained Language Models for CTR Prediction [49.510163437116645]
クリックスルーレート(CTR)予測は、パーソナライズされたオンラインサービスにおいてコア機能モジュールとして機能する。 CTR予測のための従来のIDベースのモデルは、表形式の1ホットエンコードされたID特徴を入力として取る。事前訓練された言語モデル(PLM)は、テキストのモダリティの文を入力として取る別のパラダイムを生み出した。本稿では,CTR予測のためのIDベースモデルと事前学習言語モデル(FLIP)間の細粒度特徴レベルのアライメントを提案する。
論文参考訳（メタデータ） (2023-10-30T11:25:03Z)

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。