論文の概要: Leakage-Safe Empirical Benchmarking of EEG-Based Machine Learning Pipelines for Dementia Classification

• arxiv url: http://arxiv.org/abs/2609.22092v1
• Date: Wed, 05 Aug 2026 19:23:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.692794
• Title: Leakage-Safe Empirical Benchmarking of EEG-Based Machine Learning Pipelines for Dementia Classification
• Title（参考訳）: 認知症分類のための脳波に基づく機械学習パイプラインの漏洩安全実証ベンチマーク
• Abstract要約: 本稿では,安静時脳波による認知症分類のためのリークセーフな経験的ベンチマークを提案する。 このベンチマークで最も優れたパイプラインは、Artifact Subspace Reconstruction(ASR)とIndependent Component Analysis(ICA)を組み合わせたものである。 87.69パーセントの精度、88.89パーセントのF1スコア、91.20%のAUCをアルツハイマー病(AD)と認知正常なコントロール(CN)の分類で達成している。
• 参考スコア（独自算出の注目度）: 1.7471054681673601
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) is a low-cost and non-invasive signal source for dementia screening, yet existing EEG-based studies remain difficult to compare because preprocessing, EEG segmentation, feature design, classifier choice, and validation protocols vary across studies and are often evaluated in isolation. This variability limits the derivation of robust pipeline recommendations. This paper presents a leakage-safe empirical benchmark for resting-state EEG-based dementia classification and uses it to identify a practical best-practice pipeline. Using the public OpenNeuro ds004504 dataset, the benchmark evaluates artifact correction, fixed-length EEG segmentation, training-only augmentation, multi-domain feature extraction, fold-internal feature selection, classical machine-learning (ML) classifiers, subject-level aggregation, and interpretation under leave-one-subject-out (LOSO) validation. The best-performing pipeline in this benchmark combines Artifact Subspace Reconstruction (ASR) followed by Independent Component Analysis (ICA), 10 s EEG epochs with training-only amplitude scaling and Gaussian-noise augmentation, spectral, complexity, and pairwise connectivity features, mutual-information top-100 selection, linear support vector machine classification, and mean-probability aggregation. It achieves 87.69 percent accuracy, 88.89 percent F1-score, and 91.20 percent AUC on Alzheimer disease (AD) versus cognitively normal controls (CN) classification while retaining 100 features from 1596 raw descriptors. The results support compact multi-domain EEG features as an interpretable and leakage-safe baseline for subject-level dementia classification.
• Abstract（参考訳）: 脳波検査(EEG)は、認知症スクリーニングのための低コストで非侵襲的な信号源であるが、前処理、EEGセグメンテーション、特徴設計、分類器の選択、検証プロトコルが研究によって異なり、しばしば独立して評価されるため、既存の脳波ベースの研究と比較することは困難である。 この可変性は、堅牢なパイプラインレコメンデーションの導出を制限する。 本稿では,安静時脳波に基づく認知症分類のためのリークセーフな経験的ベンチマークを提案し,それを用いて実用的なベストプラクティスパイプラインを同定する。 パブリックなOpenNeuro ds004504データセットを使用して、ベンチマークは、アーティファクト修正、固定長のEEGセグメンテーション、トレーニング専用の拡張、マルチドメイン特徴抽出、フォールド内部特徴選択、古典的な機械学習(ML)分類器、主観レベルの集約、およびLeft-one-subject-out(LOSO)検証による解釈を評価する。 このベンチマークにおける最高のパフォーマンスパイプラインは、Artifact Subspace Reconstruction (ASR) に続いて、Independent Component Analysis (ICA) と、10 s EEG epochs とトレーニング専用振幅スケーリングとガウスノイズ増強、スペクトル、複雑性、ペアワイズ接続機能、相互情報のトップ100選択、線形サポートベクトルマシン分類、平均確率集約を組み合わせたものである。 87.69パーセントの精度、88.89パーセントのF1スコア、91.20%のAUCをアルツハイマー病(AD)と認知正常なコントロール(CN)の分類で達成し、1596の生のディスクリプタから100の特徴を維持している。 その結果, 主観レベル認知症分類のための, 解釈可能な, リークセーフなベースラインとして, コンパクトなマルチドメイン脳波機能をサポートした。

関連論文リスト

• Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks [46.533103231728724]
  INCEPTは11,000時間以上の非競合型臨床脳波をトレーニングした、不変指向の脳波基礎モデルである。 買収後の脳波分析の3段階にまたがる10個のデータセットの広スペクトルベンチマークでINCEPTを評価した。
  論文  参考訳（メタデータ） (2026-08-25T14:20:02Z)
• Generative Augmentation for EEG Motor Imagery Classification: A Class-Conditional VAE with Cycle-Consistent Decoder Refinement [2.3270574907955286]
  生成モデルが有用な人工運動画像(MI)の脳波検査(EEG)に有効かどうかを検討する。 本研究は,Zhouモータ画像データセットに潜在型分類器を組み込んだクラス条件変分オートエンコーダ(CVAE)を訓練する。 結果は、独立した拡張ドロー、ランダムな種(ユーザ内)、あるいはout-one-subject-out フォルダに集約される。
  論文  参考訳（メタデータ） (2026-07-22T12:16:16Z)
• 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)
• xEEGNet: Towards Explainable AI in EEG Dementia Classification [0.0]
  xEEGNetは、EEGデータ分析のための、新しくてコンパクトで説明可能なニューラルネットワークである。 完全に解釈可能で、大きなパラメータ還元によって過度に適合する。 xEEGNetはスペクトル変化を含む他の神経学的条件に広く適用されている。
  論文  参考訳（メタデータ） (2025-04-30T09:24:50Z)
• BioSerenity-E1: a self-supervised EEG model for medical applications [0.0]
  BioSerenity-E1は臨床脳波治療のための自己監督型基礎モデルの1つである。 スペクトルトークン化とマスク付き予測を組み合わせることで、関連する診断タスク間で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-03-13T13:42:46Z)
• 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)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。