論文の概要: EEGBind: Detecting Source-Level Interictal Epileptiform Discharges via EEG-Centric Multimodal Binding
- arxiv url: http://arxiv.org/abs/2609.09728v1
- Date: Wed, 09 Sep 2026 05:15:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.906069
- Title: EEGBind: Detecting Source-Level Interictal Epileptiform Discharges via EEG-Centric Multimodal Binding
- Title（参考訳）: EEGBind:EEG-Centric Multimodal Bindingによる震源レベル震源間エピタプチフォーム放電の検出
- Abstract要約: EEGBindは5クラスソースレベルのIED分類のためのEEG中心のマルチモーダルバインディングフレームワークである。
EEGBindは、EEGを主要なモダリティとして扱い、EEG中心の表現を中心とした同期ビデオコンテキスト機能を結合する。
NeuroMM 2026 Grand Challenge Track 3 NMM-Source-IEDベンチマークでは、EEGBindは重み付きF1で0.8395を獲得し、強力な競争相手を上回っている。
- 参考スコア（独自算出の注目度）: 12.360923208703293
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Source-level analysis of interictal epileptiform discharges (IEDs) is relevant to presurgical evaluation and treatment planning because it helps characterize where epileptiform activity is likely to arise. Beyond detecting whether an IED is present, this setting requires assigning IED-positive activity to clinically meaningful brain-region categories. This setting is challenging because source-region evidence in short electroencephalography (EEG) windows can be subtle, partial, and affected by subject variability, class imbalance, and imperfect multimodal context. We present EEGBind, an EEG-centric multimodal binding framework for five-class source-level IED classification. EEGBind treats EEG as the primary modality and binds synchronized video-context features around an EEG-centric representation. Instead of relying on early or overly strong multimodal fusion, which may perturb the source-sensitive EEG representation, EEGBind uses video context as auxiliary evidence for robust classification. A view-consistent repair stage is further used to improve hidden-set robustness while preserving the learned source-class boundary. On the NeuroMM 2026 Grand Challenge Track 3 NMM-Source-IED benchmark, EEGBind achieves 0.8395 on weighted-F1 and outperforms strong competitors. These results support EEG-centric multimodal binding as a practical strategy for source-level IED classification. The open-source code is available at https://github.com/HKUSTGZ-ML4Health-Lab/NeuroMM2026_IED_Detection.
- Abstract（参考訳）: 経皮的てんかん性放電(IEDs)のソースレベル解析は,前外科的評価と治療計画に関係している。
IEDの存在を検知する以外に、この設定では、IED陽性の活性を臨床的に意味のある脳領域のカテゴリに割り当てる必要がある。
この設定は、短い脳波(EEG)ウィンドウのソース領域の証拠が微妙で部分的であり、主題の変動、クラス不均衡、不完全なマルチモーダルコンテキストの影響を受けやすいため、困難である。
EEGBindは5クラスソースレベルのIED分類のためのEEG中心のマルチモーダルバインディングフレームワークである。
EEGBindは、EEGを主要なモダリティとして扱い、EEG中心の表現を中心とした同期ビデオコンテキスト機能を結合する。
EEGBindは、ソースに敏感なEEG表現を混乱させる可能性のある、早期または過度に強いマルチモーダル融合に頼る代わりに、ビデオコンテキストをロバストな分類の補助的証拠として利用する。
さらに、学習したソースクラス境界を保ちながら、隠れセットロバスト性を改善するために、ビュー一貫性の修復ステージが使用される。
NeuroMM 2026 Grand Challenge Track 3 NMM-Source-IEDベンチマークでは、EEGBindは重み付きF1で0.8395を獲得し、強力な競争相手を上回っている。
これらの結果は、ソースレベルのIED分類の実践戦略として、EEG中心のマルチモーダルバインディングをサポートする。
オープンソースコードはhttps://github.com/HKUSTGZ-ML4Health-Lab/NeuroMM2026_IED_Detectionで公開されている。
関連論文リスト
- EEG-Based Multimodal Learning via Hyperbolic Mixture-of-Curvature Experts [38.37966175378664]
マルチモーダル・ニューロテクノロジーのための新しいハイパーボリック・ミックス・オブ・カーベチュア・エキスパート・フレームワークであるEEG-MoCEを提案する。
EEG-MoCEは学習可能な曲率双曲空間の専門家に各モダリティを割り当て、固有の幾何学の適応的モデリングを可能にする。
EEG-MoCEは、感情認識、睡眠ステージング、認知評価など、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-04-14T11:03:51Z) - Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。
SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。
実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
論文 参考訳（メタデータ） (2025-11-13T02:57:10Z) - EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。
EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。
第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
論文 参考訳（メタデータ） (2025-08-19T11:12:58Z) - EEG-MSAF: An Interpretable Microstate Framework uncovers Default-Mode Decoherence in Early Neurodegeneration [7.707948070559431]
認知症 (DEM) は世界的な健康問題であり、早期かつ正確な診断の必要性を浮き彫りにしている。
我々はDEM関連バイオマーカーを識別するエンドツーエンドパイプラインである textbfEEG Microstate Analysis Framework (EEG-MSAF) を提案する。
EEG-MSAFは,(1)マイクロステートの特徴抽出,(2)機械学習による分類,(3)重要バイオマーカーの強調のための特徴ランキングの3段階からなる。
論文 参考訳（メタデータ） (2025-08-18T15:54:29Z) - EEGDM: EEG Representation Learning via Generative Diffusion Model [17.595769291603688]
生成拡散モデル(EEGDM)に基づく脳波表現学習フレームワークを提案する。
具体的には,拡散事前学習のための構造化状態空間モデルを開発し,DDPM(Denoising Diffusion Probabilistic Model)フレームワークを用いて学習を行った。
提案した潜時核融合変換器 (LFT) を用いた下流分類作業において, 得られた潜時脳波表現を用いた。
論文 参考訳（メタデータ） (2025-08-13T14:40:52Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z) - 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) - CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。
具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。
このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
論文 参考訳（メタデータ） (2024-12-13T16:27:54Z) - EEG-GPT: Exploring Capabilities of Large Language Models for EEG
Classification and Interpretation [0.0]
大規模言語モデル(LLM)の進歩を利用する脳波分類の一元化手法である脳波-GPTを提案する。
脳波-GPTは、トレーニングデータの2%しか利用していない数ショットの学習パラダイムにおいて、異常脳波から正常を分類する最先端のディープラーニング手法に匹敵する優れた性能を達成する。
論文 参考訳（メタデータ） (2024-01-31T17:08:34Z) - CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework
for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。
近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-13T22:46:43Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z)
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。