論文の概要: Towards Modality-Agnostic Seizure Classification: A Unified Deep Learning Framework for Heterogeneous EEG and Intracranial EEG Signals
- arxiv url: http://arxiv.org/abs/2610.16596v2
- Date: Wed, 14 Oct 2026 10:13:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.362718
- Title: Towards Modality-Agnostic Seizure Classification: A Unified Deep Learning Framework for Heterogeneous EEG and Intracranial EEG Signals
- Title（参考訳）: 不均一脳波と頭蓋内脳波の統一学習フレームワーク
- Abstract要約: 異種脳波記録とiEEG記録を統合したマルチモーダル発作分類の新しい枠組みを提案する。
データセットにおける極端にクラス不均衡な問題に対処するために、条件付き生成適応ネットワーク(cGAN)に基づくデータ拡張手法を用いる。
実験により,ロバストな発作分類のためのフレームワークの有効性が示された。
- 参考スコア（独自算出の注目度）: 3.583785022153935
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Seizure prediction and detection, essential for clinical treatment of epilepsy, remain the crucial task of this neurological disease. EEG and iEEG are widely used to analyze epilepsy due to its capability of capturing discriminative brain activities at high time resolution. However, existing works generally analyze either EEG or iEEG seizure activity separately, where EEG analysis has been well-researched, while more and more works consider iEEG for its higher specificity at the spatial level and signal quality. Currently, most of the existing seizure prediction systems are single-modal in nature, which limits its application to a variety of clinical conditions. Therefore, a common framework to analyze seizures with both EEG and iEEG signals needs to be developed. This paper presents a new framework of multimodal seizure classification integrating the heterogeneous EEG and iEEG recordings from different subjects and sources. A specific framework, called Unified Multimodal Signal Harmonization (UMSH), is developed for harmonizing signals with varied sampling rates and recording conditions. Moreover, to handle the extremely class-imbalanced problem in the data sets, we use a Conditional Generative Adversarial Network (cGAN) based data augmentation technique to generate synthetic samples to balance the class distribution. The proposed framework uses the EEGNet-Vision Transformer (EEGNet-ViT) as the feature extraction and classification network to learn the local discriminative patterns as well as global contextual information in the multimodal seizure data. Experimental results demonstrate the effectiveness of the proposed framework for robust seizure classification, emphasizing the potential of integrated EEG-iEEG multimodal learning in advancing next-generation epilepsy monitoring and clinical decision-support systems.
- Abstract（参考訳）: てんかんの治療に欠かせない青斑の予知と検出は、この神経疾患の重要な課題である。
脳波とiEEGは、高分解能で識別性脳活動を捉える能力からててんかんの分析に広く用いられている。
しかし、既存の研究は一般的に脳波とiEEGの発作活動を別々に分析し、脳波の分析はよく研究されている。
現在、既存の発作予知システムのほとんどは、自然界において単一モードであり、その応用は様々な臨床条件に制限されている。
したがって、脳波とiEEG信号の両方で発作を解析する共通の枠組みを開発する必要がある。
異種脳波とiEEGの記録を異なる被験者や情報源から統合したマルチモーダル発作分類の枠組みを提案する。
Unified Multimodal Signal Harmonization (UMSH, Unified Multimodal Signal Harmonization) と呼ばれる特定のフレームワークが、サンプリングレートと記録条件の異なる信号の調和のために開発された。
さらに、データセットの極端にクラス不均衡の問題に対処するために、条件付き生成逆数ネットワーク(cGAN)に基づくデータ拡張技術を用いて、クラス分布のバランスをとるために合成サンプルを生成する。
提案フレームワークは,EEGNet-Vision Transformer (EEGNet-ViT) を特徴抽出・分類ネットワークとして用いて,局所的な識別パターンと,マルチモーダル・アセプションデータにおけるグローバルな文脈情報を学習する。
実験により,脳波とiEEGを統合したマルチモーダル学習が次世代てんかんのモニタリングと臨床診断支援システムに応用できる可能性を強調し,ロバストな発作分類のためのフレームワークの有効性が示された。
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) - A Granularity-Aware EEG Feature Framework for Psychopathology Dimension Prediction [21.82354492756923]
マルチスケールディスクリプタをグローバル,地域,チャネルレベルに編成する,粒度を意識したEEG機能パイプラインを開発した。
我々は4つの脳波パラダイムにおいて,p因子,内在化,外在化,注意問題の4つの心理学的側面の予測を評価する。
論文 参考訳（メタデータ） (2026-07-02T18:04:53Z) - LookAroundNet: Extending Temporal Context with Transformers for Clinically Viable EEG Seizure Detection [0.0]
LookAroundNetは、脳波データのより広い時間的ウィンドウを使用して発作活動をモデル化するトランスフォーマーベースの発作検出装置である。
様々な臨床環境にまたがる複数の脳波データセットについて,提案手法の評価を行った。
論文 参考訳（メタデータ） (2026-01-09T18:52:24Z) - EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。
EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。
第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
論文 参考訳（メタデータ） (2025-08-19T11:12:58Z) - Graph Attention Networks for Detecting Epilepsy from EEG Signals Using Accessible Hardware in Low-Resource Settings [45.62331048595689]
低所得国では、貧弱な神経科医や高価な診断ツールのためにてんかんが診断されていない。
低コストのEEGハードウェアからてんかんを検出するためのグラフベースのディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-20T20:44:39Z) - A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis [2.355460994057843]
本研究では,様々な信号タイプにまたがる最先端性能を実現する,新しい統合型深層学習フレームワークを提案する。
従来の研究とは異なり、将来予測能力を達成するために信号の複雑さを科学的に増加させ、最高の予測を導いた。
アーキテクチャには130MBのメモリとプロセスが10ミリ秒で必要であり、ローエンドデバイスやウェアラブルデバイスへのデプロイに適していることを示唆している。
論文 参考訳（メタデータ） (2025-07-16T21:38:10Z) - CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。
具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。
このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
論文 参考訳（メタデータ） (2024-12-13T16:27:54Z) - EEG-DIF: Early Warning of Epileptic Seizures through Generative Diffusion Model-based Multi-channel EEG Signals Forecasting [9.625156607462127]
本研究では、生成拡散モデル(EEG-DIF)に基づく多信号予測アルゴリズムを提案する。
その結果,マルチチャネル脳波信号の将来動向を同時に予測できることが示唆された。
EEG-DIFは、多チャンネル脳波信号を特徴付ける新しいアプローチとてんかん発作に対する革新的な早期警告アルゴリズムを提供する。
論文 参考訳（メタデータ） (2024-10-22T18:18:48Z) - A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳（メタデータ） (2023-09-21T08:53:51Z) - A Novel TSK Fuzzy System Incorporating Multi-view Collaborative Transfer
Learning for Personalized Epileptic EEG Detection [20.11589208667256]
マルチビュー協調移動学習を統合したTSKファジィシステムに基づくてんかん検出アルゴリズムを提案する。
提案手法はてんかん性脳波を効果的に検出する能力を有する。
論文 参考訳（メタデータ） (2021-11-11T12:15:55Z)
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。