論文の概要: Graph Learning for Cross-Subject, Cross-Population EEG Emotion Decoding and Model-Derived Spatial-Spectral Neural Signatures

• arxiv url: http://arxiv.org/abs/2609.22103v1
• Date: Thu, 13 Aug 2026 05:51:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.710053
• Title: Graph Learning for Cross-Subject, Cross-Population EEG Emotion Decoding and Model-Derived Spatial-Spectral Neural Signatures
• Title（参考訳）: 空間スペクトル型ニューラルシグナチャを用いたクロスサブジェクト・クロスポピュレーション型脳波感情デコーディングのためのグラフ学習
• Abstract要約: EmoDiPyraTransは、相対パワースペクトル密度グラフをモデル化する開発正規化微分グラフ変換器である。 SEED, FACED, MAHNOB-HCI, DEAP, DREAMERのクロスオブジェクト評価では, それぞれ0.928, 0.645, 0.714, 0.617, 0.671の参加者平均精度が得られた。
• 参考スコア（独自算出の注目度）: 5.151757331848474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) provides a noninvasive means of capturing emotion-related neural dynamics, yet reliable EEG emotion decoding lacks models that can both generalize to unseen individuals and populations while preserving neural interpretability. To address these challenges, EmoDiPyraTrans is proposed as a development-regularized differential graph Transformer that models temporally ordered relative power spectral density graphs through adaptive graph recurrence, differential attention, and multiscale fusion. The framework was evaluated at three connected levels. First, cross-subject evaluations on SEED, FACED, MAHNOB-HCI, DEAP and DREAMER yielded participant-mean accuracies of 0.928, 0.645, 0.714, 0.617 and 0.671, respectively; the model ranked first among the evaluated methods for accuracy and positive-class F1 on all five datasets. Across seven ablation protocols, differential attention was the only component whose removal reduced both metrics in every case, whereas removing maximum mean discrepancy reduced accuracy throughout. Second, DEP-EEG distinguished within- from cross-population positive-versus-neutral decoding. Accuracy was $0.802$ within healthy controls, 0.704 within participants with depression and 0.591 under healthy-to-depression transfer. Mixed-population development produced $0.581$ accuracy and the highest positive-class F1 (0.498), indicating that greater population diversity alone did not remove the transfer gap. Third, channel- and frequency-resolved analyses on SEED identified a distributed frontal, temporal, central and parietal pattern, an alpha-centred low-to-mid-frequency preference and a six-channel subset that preserved near-full performance.
• Abstract（参考訳）: 脳波(EEG)は、感情に関連する神経力学を捉える非侵襲的な手段を提供するが、信頼できる脳波の感情デコーディングには、神経解釈性を維持しながら、見えない個人や集団に一般化できるモデルが欠けている。 これらの課題に対処するため、EmoDiPyraTransは、適応グラフの再帰、微分アテンション、マルチスケール融合を通じて時間的に順序付けられた相対パワースペクトル密度グラフをモデル化する開発正規化微分グラフ変換器として提案されている。 フレームワークは3つの連結レベルで評価された。 まず、SEED、FACED、MAHNOB-HCI、DEAP、DREAMERのクロスオブジェクト評価により、それぞれ0.928、0.645、0.714、0.617、0.671の参加者平均精度が得られた。 7種類のアブレーションプロトコルにおいて,各症例における両指標の除去は差分アテンションのみであり,平均誤差の最大除去は全例で精度を低下させた。 第二に、DEP-EEGは集団間正逆ニュートラル復号法とを区別する。 健康管理は0.802ドル、うつ病は0.704ドル、うつ病は0.591ドルだった。 混合個体群の開発によって0.581ドルの精度が得られ、最も高い正のクラスであるF1 (0.498) は、人口の多様性だけでは転送ギャップを除去しなかったことを示している。 第3に,SEEDにおけるチャネル分解および周波数分解分析では,前頭葉,側頭葉,中葉,頭頂葉の分布パターン,α中心の低周波数・中葉の嗜好,および6チャンネルのサブセットを同定した。

関連論文リスト

• PGP-Clinical-TimeKAN: Prior-Guided Joint Probabilistic Forecasting of Clinical Trajectories [33.074550441856196]
  PGP-Clinical-TimeKANは多変量生理学の合同確率予測のための軌道優先のフレームワークである。 欠如を意識した時間エンコーダ、ソフトオルガン前駆体、患者固有の関係、非線形コルモゴロフ・アルノルドメッセージ、低ランクの多変量学生-tヘッドを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-24T23:33:35Z)
• Domain Shift in Echocardiography: Interpretable Quantification and Prediction of Cross-Dataset Left Ventricular Segmentation [0.5599792629509228]
  心エコー図による左室分画の臨床的展開には, クロスデータセットの一般化が大きな障壁となっている。 超音波ディスクリプタ,VOE潜時特徴,セグメンテーション由来潜時特徴を用いて,展開前に転写劣化を推定できるかどうかを検討した。
  論文  参考訳（メタデータ） (2026-07-22T00:48:57Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• QuanvNeXt: An end-to-end quanvolutional neural network for EEG-based detection of major depressive disorder [2.819628349300034]
  QuanvNeXtは、脳波によるうつ病の診断のための、エンドツーエンドの完全四畳曲モデルである。 平均精度は93.1%、平均AUC-ROCは97.2%であり、最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-10T10:44:47Z)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
  MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
  論文  参考訳（メタデータ） (2025-11-14T06:47:21Z)
• NeuroRAD-FM: A Foundation Model for Neuro-Oncology with Distributionally Robust Training [12.168374910250572]
  既存の基礎モデル(FM)は、異常な分子マーカーを予測するのに不十分である。 我々は,腫瘍の表現型を正確に推定できる分布的ロバストな損失関数を有する神経腫瘍学特異的FMを開発した。 CUIMC 0.592 から 0.597 に、UPenn 0.647 から 0.672 に、UCSF 0.600 から 0.627 に改良された。
  論文  参考訳（メタデータ） (2025-09-18T20:43:08Z)
• TransformEEG: Towards Improving Model Generalizability in Deep Learning-based EEG Parkinson's Disease Detection [1.2358659553221853]
  EEGベースのディープラーニングモデルは、有望な結果を示している。 現在のDLモデルは、オブジェクト間の変動が激しいため、一般化性に乏しい。 本稿では,脳波データを用いたパーキンソン病検出のためのハイブリッド畳み込み変換器であるTransformEEGを紹介する。
  論文  参考訳（メタデータ） (2025-07-10T10:44:53Z)
• A Hybrid Artificial Intelligence System for Automated EEG Background Analysis and Report Generation [0.1874930567916036]
  本研究では,脳波の背景活動とレポート生成を自動的に解釈する,革新的なハイブリッド人工知能(AI)システムを提案する。 このシステムは、後続支配リズム(PDR)予測のためのディープラーニングモデル、教師なしアーティファクト除去、および異常検出のためのエキスパート設計アルゴリズムを組み合わせる。 このAIシステムは、全般的なバックグラウンドの減速を検知し、焦点異常の検出を改善することで神経学者を著しく上回った。
  論文  参考訳（メタデータ） (2024-11-15T01:49:17Z)
• 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。