論文の概要: Lightweight Adaptation of EEG Foundation Models for Stroke Motor Imagery Decoding: Domain Shift and Subject-Level Robustness

• arxiv url: http://arxiv.org/abs/2609.00282v1
• Date: Mon, 31 Aug 2026 19:26:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.023943
• Title: Lightweight Adaptation of EEG Foundation Models for Stroke Motor Imagery Decoding: Domain Shift and Subject-Level Robustness
• Title（参考訳）: ストロークモータ画像復号のための脳波基礎モデルの軽量適応:ドメインシフトと主観レベルロバスト性
• Abstract要約: 我々は,Low-Rank Adaptation (LoRA) が2進左と右のMIデコードに対して,事前学習した3つの脳波基礎モデルに効率的に適応できるかどうかを検討した。 凍結バックボーンヘッドオンリーベースラインとLoRA適応を主観的5倍のクロスバリデーションを用いて評価した。 LoRAはLaBraMベースで0.822、REVEベースで0.957まで精度を向上した。 最強ストローク構成であるREVE-base LoRAは, インテリアコホート・アウト・オブ・サブジェクト・アウト・クロスバリデーションを用いてさらに評価した。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Motor imagery (MI) electroencephalography (EEG) decoding could support post-stroke rehabilitation, but models developed on healthy cohorts may not transfer reliably to pathological EEG. We evaluated whether Low-Rank Adaptation (LoRA) can efficiently adapt three pretrained EEG foundation models (i.e., LaBraM-base, REVE-base, and REVE-large) for binary left- versus right-hand MI decoding. Frozen-backbone head-only baselines and LoRA adaptation were evaluated using subject-wise five-fold cross-validation on the PhysioNet EEG Motor Movement/Imagery Dataset and a binary subset of the UET175 dataset comprising 30 stroke participants. On EEGMMIDB, LoRA increased accuracy to 0.822 for LaBraM-base and 0.957 for REVE-base. On UET175, all head-only models performed near chance. With LoRA, LaBraM-base remained near chance (0.499$\pm$0.009), whereas REVE-base reached 0.847$\pm$0.194 and outperformed REVE-large (0.806$\pm$0.178), indicating that increased model capacity alone did not improve stroke-domain adaptation. The strongest stroke configuration, REVE-base LoRA, was further evaluated using within-cohort leave-one-subject-out cross-validation (LOOCV), showing 0.952 mean accuracy, but subject-wise accuracy ranged from 0.586 to 1.000, revealing a small low-performing tail. Zero-shot transfer from EEGMMIDB to UET175 remained near chance (0.464$\pm$0.072). These findings show that healthy-benchmark performance does not ensure transfer to stroke EEG. Translation of EEG foundation models to pseudo-online or real-time rehabilitation BCIs should therefore include target-domain adaptation and subject-level assessment of temporal informativeness, spatial sensitivity, and physiological discriminability.
• Abstract（参考訳）: 運動画像(MI)脳波デコード(EEG)は、ストローク後のリハビリテーションを支援するが、健康なコホートで開発されたモデルは、病理脳波に確実に伝達されない。 我々は,Low-Rank Adaptation (LoRA) が2進左/右MIデコードに対して,事前学習した3つの脳波基盤モデル(LaBraM-base,REVE-base,REVE-large)を効率的に適用できるかどうかを検討した。 被験者30名からなるUET175データセットの2次サブセットとPhystoNet EEG Motor Movement/Imagery Datasetの主観的5倍のクロスバリデーションを用いて,凍結バックボーンヘッドオンリーベースラインとLoRA適応を評価した。 EEGMMIDBでは、LaBraMベースが0.822、REVEベースが0.957まで精度が向上した。 UET175では、全ての頭部のみのモデルがほぼ偶然に実行された。 LoRAでは、LaBraMベースは0.499$\pm$0.009に近づき、REVEベースは0.847$\pm$0.194に到達し、REVE-large(0.806$\pm$0.178)を上回った。 最強ストローク構成であるREVE-base LoRAは、LOOCV (Inside-cohort leave-one-subject-out cross-validation) を用いてさらに評価され、0.952の平均精度を示したが、主観的精度は0.586から1.000の範囲で、小さな低性能の尾を呈していた。 EEGMMIDBからUET175へのゼロショット転送は0.464$\pm$0.072に近づいた。 以上の結果より,健常者では脳波の変動は認められなかった。 したがって、脳波基礎モデルの疑似オンラインまたはリアルタイムリハビリテーションBCIへの変換には、標的領域適応と時間的情報性、空間的感受性、生理的差別性の主観レベル評価を含めるべきである。

関連論文リスト

• Scalable Clinical Data Infrastructure and Comparative ML Evaluation for Hospitalisation Risk Prediction in Elderly Patients with Multiple Long-Term Conditions using CPRD [15.680643140577393]
  CPRD Aurum の高齢者に対する包括的タイムラインパイプラインを提案する。 時間グラフ畳み込みニューラルネットワーク(TG-CNN)をロジスティック回帰に対してベンチマークする。 以上より, 差別は, 臨床展開における不完全な基準であることが明らかとなった。
  論文  参考訳（メタデータ） (2026-08-29T19:55:03Z)
• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• Evaluation of EEG Foundation Models for Event-Based Burst-Suppression Detection in ICU [12.022301436686435]
  バースト抑制(BS)は、重篤な患者の鎮静深度と脳活動を監視するために用いられる。 EEGファウンデーションモデル(FM)は、いくつかの下流EEGアプリケーションで約束されている。 減量化ICU脳波のバースト検出のための脳波FMを評価するための第1報について述べる。
  論文  参考訳（メタデータ） (2026-06-18T10:49:36Z)
• ReactEMG Stroke: Healthy-to-Stroke Few-shot Adaptation for sEMG-Based Intent Detection [5.38542280988393]
  表面筋電図(sEMG)は脳卒中後手指リハビリテーションのための有望な制御信号である。 発作性筋肉からの意図を検出するには、長大で主観的な校正が必要であり、変化に弱いままである。 本研究では,大規模能動sEMGで事前訓練したモデルからインテント検出器を初期化する健全なストローク適応パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:26:51Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)

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。