論文の概要: Hybrid Ensemble Learning for EEG-Based Epileptic Seizure Forecasting

• arxiv url: http://arxiv.org/abs/2609.35876v1
• Date: Sat, 26 Sep 2026 21:18:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.874293
• Title: Hybrid Ensemble Learning for EEG-Based Epileptic Seizure Forecasting
• Title（参考訳）: 脳波によるてんかん発作予測のためのハイブリッドアンサンブル学習
• Abstract要約: 脳波による発作予測のための校正ハイブリッドアンサンブルを提案する。 厳密なLeft-One-Patient-Outクロスバリデーションを用いたCHB-MITフレームワークの評価を行った。 目標の誤警報予算に制限されたテストチューニングされたオラクルは、1時間あたり0.951の誤警報で60.9%の感度を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Epileptic seizure forecasting aims to provide actionable warnings before seizure onset, yet patient-independent generalization and false-alarm control remain major challenges. We propose a calibrated hybrid ensemble for EEG-based seizure forecasting that combines five deep learning models and three classical machine learning models through a logistic regression stacking meta-learner. The proposed pipeline integrates signal preprocessing, handcrafted feature extraction, class-imbalance handling, probability calibration, and clinically motivated post-processing. We evaluate the framework on CHB-MIT using strict Leave-One-Patient-Out (LOPO) cross-validation, with threshold and post-processing parameters selected only on held-out meta data. On the filtered cohort, excluding patients with anomalous preictal rates below 1\% or above 15\%, the model achieves 74.2\% seizure-level sensitivity at 1.24 false alarms per hour, with an average warning time of 16.9 minutes. A test-tuned oracle constrained to the target false-alarm budget achieves 60.9\% sensitivity at 0.951 false alarms per hour, highlighting the importance of reporting sensitivity together with realized false-alarm rates. Our code is available at: https://github.com/DanaMason/IEEE-CARS-Hybrid-Ensemble-Learning-for-EEG-Based-Epileptic-Seizure-Fore casting
• Abstract（参考訳）: てんかん発作の予知は、発作が起こる前に実行可能な警告を提供することを目的としているが、患者に依存しない一般化と偽アラーム制御は大きな課題である。 我々は5つのディープラーニングモデルと3つの古典的機械学習モデルを組み合わせた脳波による発作予測のための校正ハイブリッドアンサンブルを提案する。 提案したパイプラインは,信号前処理,手作り特徴抽出,クラス不均衡処理,確率校正,臨床動機付け後処理を統合している。 我々は,厳格なLeft-One-Patient-Out (LOPO) クロスバリデーションを用いてCHB-MITのフレームワークの評価を行った。 フィルター付きコホートでは、1\%以下または15\%未満の異常前科者を除くと、1時間当たり1.24の誤報で74.2\%の発作レベルの感度を示し、平均警告時間は16.9分である。 対象の偽アラーム予算に制限されたテストチューニングされたオラクルは、1時間当たり0.951の偽アラームで60.9\%の感度を達成し、実現された偽アラームレートとともにレポートセンシティーの重要性を強調した。 https://github.com/DanaMason/IEEE-CARS-Hybrid-Ensemble-Learning-for-EEG-based-Epileptic-Seizure-Fore casting

関連論文リスト

• DiffEEG: A Self-Supervised Denoising Diffusion Model for Learning EEG Generic Representations [1.901880164206253]
  脳波による発作検出のための自己教師型基礎モデルDiffEEGを提案する。 DiffEEGは、Temple University Hospital Seizure Corpus (TUHSZ)から1.3Mの未ラベルセグメントで事前訓練され、多頭部自己注意の1D U-Netを介して汎用神経表現を学習する。 厳密な患者の評価では、DiffEEGは61%の精度、59%のF1が4級発作のサブタイプで、81%の精度で重み付けされたF1が2値検出で85%の精度で達成されている。
  論文  参考訳（メタデータ） (2026-07-13T13:59:45Z)
• Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
  ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。 特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。 そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:27:10Z)
• Adversarial Spatio-Temporal Attention Networks for Epileptic Seizure Forecasting [4.750750705838807]
  本稿では,脳の接続性や時間的神経力学をモデル化し,空間的時間的モジュールを交互に組み合わせたアテンションブロックを提案する。 連続した90分間の地震前モニタリングは、早期検出を可能にする学習された脳波の注意パターンを明らかにする。
  論文  参考訳（メタデータ） (2025-11-03T06:48:54Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Early Warning Prediction with Automatic Labeling in Epilepsy Patients [4.6700203020828885]
  本稿では,初期文字信号の予測を改善するメタ学習フレームワークを提案する。 提案された双方向最適化フレームワークは、初期段階におけるノイズの多いデータを自動的にラベル付けするのに役立つ。
  論文  参考訳（メタデータ） (2023-10-09T18:12:46Z)
• Towards Open-Set Test-Time Adaptation Utilizing the Wisdom of Crowds in Entropy Minimization [47.61333493671805]
  テスト時間適応(TTA)メソッドは、未ラベルのターゲットドメインにソース事前学習モデルを適用するために、モデルの予測に依存する。 本稿では, 以下の重要な経験的発見から着想を得た, 単純かつ効果的なサンプル選択法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T01:24:18Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
  畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。 総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
  論文  参考訳（メタデータ） (2021-08-17T05:49:43Z)

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。