論文の概要: NeuroDyn-EEG: An Interpretable Pre-trained Model for EEG Based on Neural Dynamics
- arxiv url: http://arxiv.org/abs/2609.36773v1
- Date: Tue, 29 Sep 2026 05:45:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.216371
- Title: NeuroDyn-EEG: An Interpretable Pre-trained Model for EEG Based on Neural Dynamics
- Title（参考訳）: NeuroDyn-EEG:ニューラルダイナミクスに基づく脳波の解釈可能な事前学習モデル
- Abstract要約: 臨床頭皮脳波検査は神経精神疾患の神経力学に非侵襲的な窓を提供する。
識別的深層モデルは、しばしば解剖学的に索引付けされた生理学的解釈性に欠ける。
我々はニューロDyn-EEGを提案する。ニューロDyn-EEGはニューロダイナミクスから生成した前駆体を統合する事前学習フレームワークである。
- 参考スコア（独自算出の注目度）: 11.473475273101046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical scalp electroencephalography (EEG) offers a noninvasive window into neural dynamics of neuropsychiatric disorders. However, discriminative deep models often lack anatomically indexed physiological interpretability. We propose NeuroDyn-EEG, a pretraining framework integrating generative priors from neural dynamics. It couples an extended Jansen-Rit neural mass model, leadfield-based source projection, and simulation-based parameter inversion. Trained on synthetic parameter-EEG pairs within physiological ranges, NeuroDyn-EEG estimates 11 regional parameter families across 90 AAL regions plus one global parameter from standard 19-channel EEG, using only ~2.43M trainable parameters. We evaluate the framework across three levels. First, controlled simulations demonstrate robust parameter recovery under diverse noise conditions, while real resting-state EEG evaluations confirm spectral and phase consistency in an inverse-forward closed loop. Second, on four clinical benchmarks (AD65, PD31, Figshare MDD, and TUAB), NeuroDyn-EEG achieves competitive classification performance, securing the highest BACC, AUROC, and AUCPR on PD31 and MDD, and highest BACC on AD65. Third, post hoc regional analyses reveal disease-specific alterations: local synaptic connectivity C_1 involves the most altered regions in AD65, whereas the firing threshold theta ranks first in MDD, offering testable mechanistic hypotheses. Overall, NeuroDyn-EEG maps scalp EEG to anatomically indexed dynamical parameters, bridging representation learning and mechanistic neurophysiology. Code: https://github.com/Gnosis-Neurodynamics/NeuroDyn-EEG.
- Abstract（参考訳）: 臨床頭皮脳波検査(EEG)は神経精神疾患の神経力学に非侵襲的な窓を提供する。
しかし、識別的深層モデルは、しばしば解剖学的に索引付けされた生理学的解釈性に欠ける。
我々はニューロDyn-EEGを提案する。ニューロDyn-EEGはニューロダイナミクスから生成した前駆体を統合する事前学習フレームワークである。
拡張されたJansen-Ritニューラルマスモデル、リードフィールドベースのソースプロジェクション、シミュレーションベースのパラメータインバージョンを結合する。
生理的範囲内の合成パラメータ-EEGペアに基づいて、NeuroDyn-EEGは90のAAL領域にまたがる11の地域パラメータファミリーと標準19チャンネル脳波からの1つのグローバルパラメータを推定する。
フレームワークを3段階にわたって評価する。
第1に、制御されたシミュレーションは、様々な雑音条件下で頑健なパラメータ回復を示す一方、実際の静止状態脳波評価は、逆フォワード閉ループにおけるスペクトルと位相の整合性を確認する。
第2に、AD65, PD31, Figshare MDD, TUABの4つの臨床ベンチマークにおいて、NeuroDyn-EEGは、PD31およびMDDのBACC、AUROC、AUCPR、AD65のBACC、最高のBACCを保証し、競争的な分類性能を達成する。
局所シナプス接続C_1はAD65で最も変化した領域を包含するが、発射しきい値テータはMDDで第1位であり、検証可能な機械的仮説を提供する。
全体として、NeuroDyn-EEGは頭皮脳波を解剖学的にインデックス付けされた動的パラメータ、ブリッジング表現学習、機械的神経生理にマッピングする。
コード:https://github.com/Gnosis-Neurodynamics/NeuroDyn-EEG。
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) - CLEF: EEG Foundation Model for Learning Clinical Semantics [50.3767252824646]
CLEFは,脳波基礎モデルである。
CLEFは, 疾患の表現型, 薬物曝露, 脳波所見にまたがる新しい234タスク・ベンチマークで評価した。
論文 参考訳（メタデータ） (2026-05-11T16:34:58Z) - Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
パーキンソン病は世界中で1千万人以上に影響している。
個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。
我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
論文 参考訳（メタデータ） (2026-03-31T02:36:10Z) - A Scalable AI Driven, IoT Integrated Cognitive Digital Twin for Multi-Modal Neuro-Oncological Prognostics and Tumor Kinetics Prediction using Enhanced Vision Transformer and XAI [0.2174820084855635]
本稿では,ウェアラブル頭蓋骨からのリアルタイム脳波信号と構造MRIデータを組み合わせて,動的・パーソナライズされた腫瘍モニタリングを行う認知デジタルツインフレームワークを提案する。
94.6%の精度、93.2%のリコール、そしてDiceのスコア0.91の精度で、このフレームワークはリアルタイムで解釈可能な神経診断のための新しい標準となる。
論文 参考訳（メタデータ） (2025-09-30T04:37:32Z) - NeuroDx-LM: A Clinical Large-Scale Model for EEG-based Neurological Disorder Detection [7.185477956123345]
脳電図(EEG)で事前訓練された大規模モデルは、神経疾患検出などの臨床応用において有望である。
NeuroDx-LMは、脳波に基づく神経疾患を検出するために特別に設計された新しい大規模モデルである。
論文 参考訳（メタデータ） (2025-08-11T16:02:25Z) - 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) - RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier [0.0]
頭蓋内脳波(iEEG)は、臨床および脳-コンピュータインターフェースの応用にますます使われている。
本稿では, 電極内注入変動に頑健な新しいデコーダモデルを提案する。
我々はこのモデルをRISE-iEEGと呼び、このモデルはRobust to Inter-Subject Electrode implantation Variability iEEG の略である。
論文 参考訳（メタデータ） (2024-08-12T18:33:19Z) - Deep Jansen-Rit Parameter Inference for Model-Driven Analysis of Brain Activity [0.0]
本研究では3つのディープラーニングアーキテクチャを用いて、シミュレーションされた脳波データから効率的な接続性(EC)パラメータを推定する。
シナプスゲインや時間定数などの重要な局所パラメータの信頼性を実証する。
本研究は, 学習可能なJR-NMMパラメータのサブセットを推定する深層学習手法の実現可能性を示す。
論文 参考訳（メタデータ） (2024-06-07T15:16:46Z) - EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease
Diagnosis using a Domain-guided Graph Convolutional Neural Network [0.21756081703275995]
本稿では,頭皮電気脳波(EEG)を用いた神経疾患の診断を改善するための新しいグラフ畳み込みニューラルネットワーク(GCNN)を提案する。
脳波データのための新しいGCNNモデルであるEEG-GCNNを提案し、頭皮電極間の空間的および機能的接続を捉える。
我々は、EEG-GCNNが人間のベースラインと古典的機械学習(ML)ベースラインを大幅に上回っており、AUCは0.90であることを示した。
論文 参考訳（メタデータ） (2020-11-17T20:25:28Z)
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。