論文の概要: Attention-Enhanced Dual-Branch ConvNeXt-BiLSTM Network for Subject-Independent EEG Seizure Detection

• arxiv url: http://arxiv.org/abs/2609.22141v1
• Date: Tue, 25 Aug 2026 14:35:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.730385
• Title: Attention-Enhanced Dual-Branch ConvNeXt-BiLSTM Network for Subject-Independent EEG Seizure Detection
• Title（参考訳）: 主観非依存脳波シーズーア検出のための注意力増強型デュアルブランチ ConvNeXt-BiLSTM ネットワーク
• Abstract要約: 本稿では,同じ脳波セグメントから時間的・時間的表現を共同で学習する2分岐ネットワークを提案する。 このモデルには28.26万のパラメータと4.56 GFLOPが必要で、ネットワークのみの推論遅延は1セグメントあたり4.64ミリ秒である。
• 参考スコア（独自算出の注目度）: 2.320417845168326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated seizure detection from scalp electroencephalography (EEG) is difficult because seizure morphology varies among patients and seizure samples are substantially outnumbered by non-seizure samples. This paper presents an attention-enhanced dual-branch network that jointly learns time--frequency and temporal representations from the same EEG segment. A continuous wavelet transform converts each segment into a scalogram processed by an ImageNet-pretrained ConvNeXt-Tiny backbone and squeeze-and-excitation attention. In parallel, a bidirectional long short-term memory network followed by multi-head self-attention models the raw signal. The two feature vectors are concatenated and classified by a weighted multilayer perceptron. Experiments use 14 subjects from the CHB-MIT scalp EEG database with subject-wise partitioning performed before overlapping segmentation. The model obtains $97.88\%$ accuracy and $97.51\%$ F1-score over ten across-subject splits, and $97.51\%$ accuracy, $96.59\%$ F1-score, and $98.02\%$ area under the ROC curve under 14-fold leave-one-subject-out validation. Removing temporal attention causes the largest ablation loss. The model requires 28.26 million parameters and 4.56 GFLOPs, with a measured network-only inference latency of 4.64 ms per segment.
• Abstract（参考訳）: 発作形態は患者によって異なり, 発作所見は非敗血症例では著しく劣っているため, 頭皮電気脳波(EEG)による発作自動検出は困難である。 本稿では,同じ脳波セグメントから時間・周波数・時間的表現を共同で学習する2分岐ネットワークを提案する。 連続ウェーブレット変換は、各セグメントをImageNetで予めトレーニングされたConvNeXt-Tinyバックボーンで処理された頭蓋骨に変換して励起注意する。 並行して、双方向の長期記憶ネットワークと、その生信号のマルチヘッド自己アテンションモデルが続く。 2つの特徴ベクトルは連結され、重み付き多層パーセプトロンによって分類される。 実験では、CHB-MITの頭皮脳波データベースから14の被験者を用いて、重なり合うセグメンテーションの前に主観的分割を行った。 このモデルでは、10個のオブジェクトの分割に対して9,7.88\%の精度と97.51\%のF1スコア、97.51\%の精度、9,6.59\%のF1スコア、9,8.02\%の領域がROC曲線の下にある。 時間的注意の除去は最大のアブレーション損失を引き起こす。 このモデルには28.26万のパラメータと4.56 GFLOPが必要で、ネットワークのみの推論遅延は1セグメントあたり4.64ミリ秒である。

関連論文リスト

• Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
  アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。 我々は解剖学的参照としてFastSurferセグメンテーションを使用します。 私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
  論文  参考訳（メタデータ） (2026-09-14T17:13:12Z)
• MUPA$^{2}$E: Multimodal Unified Perception with Asymmetric Attention for Emotion Assessment [4.682152272555128]
  本稿では,顔画像と脳波(EEG)を処理する統合認識フレームワークMUPAtextsuperscript2Eについて述べる。 顔映像は軸折りフレームトークンで表現され、EEGは生のマルチチャネル波形として処理されるか、空間領域に投影される。 試用期間が短くなると30ドル(約3万3000円)で融合し、検証性能が最高、テスト精度が70.07%(約7万7000円)になる。
  論文  参考訳（メタデータ） (2026-08-17T01:26:47Z)
• B[FM]$^2$: Brain Foundation Model via Flow Matching with SplitUNet [33.19680160939894]
  マルチチャネル脳波信号は、フローマッチングにアーキテクチャ上の課題をもたらす。 SplitUNetは各ブロックを1次元の時間的および1次元の電極畳み込みとダウンサンプルに分解する。 B[FM]$2$は、9つの標準下流脳波分類タスクのうち7つに新しい状態を設定する。
  論文  参考訳（メタデータ） (2026-06-18T18:01:26Z)
• Hemorica: A Comprehensive CT Scan Dataset for Automated Brain Hemorrhage Classification, Segmentation, and Detection [0.749500254646884]
  Hemoricaは、2012年から2024年の間に取得された372個の頭部CT検査の公開コレクションである。 ICHサブタイプ(EPH)、サブデューラル(SDH)、サブアラキノイド(SAH)、パーレンキマル(IPH)の5つのサブタイプ(EPH)に対して、各スキャンは徹底的に注釈付けされている。 Hemoricaは、マルチタスクとカリキュラム学習をサポートする統一されたきめ細かいベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-26T23:09:41Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
  一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。 アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
  論文  参考訳（メタデータ） (2023-07-07T18:57:21Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)

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。