論文の概要: Spatiotemporal Hyperedges for EEG Seizure Detection and Prediction

• arxiv url: http://arxiv.org/abs/2609.37730v1
• Date: Tue, 29 Sep 2026 14:53:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.647115
• Title: Spatiotemporal Hyperedges for EEG Seizure Detection and Prediction
• Title（参考訳）: 脳波シーズーア検出と予測のための時空間ハイパーエッジ
• Abstract要約: セイズーアは稀であり、時間的に局所化され、複数のチャネルにまたがる協調イベントとして伝播する。 最近のグラフニューラルネットワークは、時間ステップ毎のペアワイドチャネルエッジのシーケンス上で時間モデルを実行することによってこれをモデル化している。 我々は,脳波の証拠を時間的ソフトエッジの小さなセットを通して要約するHyBrainを提案する。
• 参考スコア（独自算出の注目度）: 31.855514776879918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Seizure detection and prediction from EEG are clinically important but challenging because seizures are rare, temporally localized, and propagate as coordinated events across multiple channels. Recent dynamic graph neural networks model this by running a temporal model over a sequence of per-time-step pairwise channel edges. However, this pairwise construction misses the spatiotemporal coupling that constitutes a seizure, at substantial training cost. We propose HyBrain, which summarizes spatiotemporal EEG evidence through a small set of soft hyperedges rather than pairwise edges. A per-channel Mamba backbone produces one token per (channel, second), and a spatiotemporal hyperedge block pools these tokens into E_h shared group embeddings through soft memberships and broadcasts them back. The same encoder serves three downstream tasks: window-based detection, one-second point-wise detection, and preictal seizure prediction. On TUSZ and CHB-MIT, HyBrain achieves the best AUROC on every reported setting against ten baselines, with the largest gap on long-clip preictal prediction. It also matches the most efficient baselines in training time and peak GPU memory. A qualitative analysis shows that even a single learned hyperedge cleanly captures the preictal -> ictal -> postictal trajectory on a real seizure clip.
• Abstract（参考訳）: 脳波による発作の検出と予測は臨床的に重要であるが、発作は稀であり、時間的に局所化され、複数のチャネルにまたがる協調イベントとして伝播するため困難である。 最近の動的グラフニューラルネットワークは、時間ステップ毎のペアワイドチャネルエッジのシーケンス上で時間モデルを実行することによってこれをモデル化している。 しかし、このペア構成は、実質的な訓練コストで発作を構成する時空間結合を見逃す。 我々は,2つのエッジではなく,ソフトハイパーエッジの小さなセットを通じて,時空間脳波の証拠を要約したHyBrainを提案する。 チャネルごとのMambaバックボーンは1つのトークン(チャネル、秒)を生成し、時空間のハイパーエッジブロックはこれらのトークンをE_h共有グループ埋め込みにプールし、ソフトなメンバシップを通じてブロードキャストする。 同じエンコーダは、ウィンドウベースの検出、1秒のポイントワイズ検出、前頭前発作予測という3つの下流タスクを提供する。 TUSZとCHB-MITでは、HyBrainは10基線に対して報告されたすべてのAUROCにおいて最高のAUROCを達成する。 また、トレーニング時間とピークGPUメモリの最も効率的なベースラインと一致します。 定性的な分析により,1つの学習したハイパーエッジでさえ,実際の発作クリップにおける前 -> ictal -> 後 trajectory をきれいに捉えていることが明らかとなった。

関連論文リスト

• Attention-Enhanced Dual-Branch ConvNeXt-BiLSTM Network for Subject-Independent EEG Seizure Detection [2.320417845168326]
  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。
  論文  参考訳（メタデータ） (2026-08-25T14:35:22Z)
• The Impact of Temporal Context Length and Encoding Strategies on Self-Supervised ECG Representation Learning [0.8411385346896411]
  心電図(ECG)モデルは、しばしば数秒間の心電図信号に基づいて訓練される。 これらの選択がリズム推定や時間的整合性に必要な情報を犠牲にしているかどうかは不明である。 我々はIcentia11kシングルリードデータセットについて制御された研究を行った。
  論文  参考訳（メタデータ） (2026-08-13T01:18:39Z)
• CaC: Advancing Video Reward Models via Hierarchical Spatiotemporal Concentrating [49.94171749437024]
  本稿では,ビジョンランゲージモデルに基づく粗大な異常報酬モデルである集中と集中(CaC)を提案する。 フレーム単位のバウンディングボックスアノテーション,時間的異常ウィンドウ,微粒な属性ラベルを備えた,最初の大規模ビデオ異常データセットを構築した。 実験では、CaCは微妙な異常に安定して集中することができ、微細な異常ベンチマークの精度が25.7%向上した。
  論文  参考訳（メタデータ） (2026-05-12T08:08:33Z)
• EEG-Titans: Long-Horizon Seizure Forecasting via Dual-Branch Attention and Neural Memory [0.0]
  本稿では、長期コンテキストモデリングのための現代のニューラルメモリ機構を組み込んだデュアルブランチEEGアーキテクチャを提案する。 EEG-Titansは18人の被験者の平均セグメントレベルの感度を99.46%達成している。 以上の結果から, 記憶増強長文モデリングは, 臨床的に制約された評価下において, 堅牢な発作予測を可能にする可能性が示唆された。
  論文  参考訳（メタデータ） (2026-01-20T09:03:49Z)
• Identification of Capture Phases in Nanopore Protein Sequencing Data Using a Deep Learning Model [0.0]
  ダウンサンプリング信号窓の捕捉位相を検出する軽量な1次元畳み込みニューラルネットワーク (1D CNN) を開発した。 我々の最良のモデルであるCaptureNet-Deepは、ホールドアウトテストデータでF1スコア0.94と精度93.39%を達成した。 これらの結果から,シンプルかつ解釈可能なアーキテクチャを用いて,効率的なリアルタイムキャプチャ検出が可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-11-03T06:51:53Z)
• Wav2Arrest 2.0: Long-Horizon Cardiac Arrest Prediction with Time-to-Event Modeling, Identity-Invariance, and Pseudo-Lab Alignment [5.706374608871095]
  高周波生理学的波形モダリティは、患者の状態に対する深いリアルタイムな洞察を提供する。 近年、心臓発作を含む重要な事象を予測するための生理学的基礎モデルが示されている。 最小限の補助情報を用いてPSGのみのCAシステムを改善するための3つの改良点を提案する。
  論文  参考訳（メタデータ） (2025-09-25T23:46:39Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• 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)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• Prune Spatio-temporal Tokens by Semantic-aware Temporal Accumulation [89.88214896713846]
  STAスコアは、時間的冗長性と意味的重要性の2つの重要な要因を考慮に入れている。 市販のビデオトランスフォーマーとビデオウィンにSTAモジュールを適用する。 結果: Kinetics-400 と something-Something V2 は 30% のオーバーシェルフ削減を実現し,0.2% の精度低下を実現した。
  論文  参考訳（メタデータ） (2023-08-08T19:38:15Z)
• Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily Long Videos of Seizures [58.720142291102135]
  てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。 本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。 本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
  論文  参考訳（メタデータ） (2021-06-22T18:40:31Z)

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。