論文の概要: Seeing Seizures: A Large-Scale Empirical Study of Video and EEG Deep Learning for Automated Rodent Seizure Detection and Severity Grading

• arxiv url: http://arxiv.org/abs/2610.22566v1
• Date: Thu, 15 Oct 2026 19:11:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.636898
• Title: Seeing Seizures: A Large-Scale Empirical Study of Video and EEG Deep Learning for Automated Rodent Seizure Detection and Severity Grading
• Title（参考訳）: Seeing Seizures: Automated Rodent Seizure Detection and Severity Gradingのためのビデオと脳波深層学習の大規模実証的研究
• Abstract要約: ソマン誘発てんかんモデルにおいて,20ラットの24,131対のクリップを用いた発作検出と行動重症度評価の実証的研究を行った。 10のビデオアーキテクチャと7つの単一チャネル脳波モデルがバイナリ検出と3クラスおよび5クラスの重度タスクによって独立に評価される。 被検者排他的評価は、ビデオで5種類のマクロF1を0.475、脳波で0.404に減らし、目に見えない動物の格付けの難しさを浮き彫りにする。
• 参考スコア（独自算出の注目度）: 7.557499263867481
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manual annotation of synchronized video and EEG recordings is a bottleneck in preclinical seizure research. We present an empirical study of seizure detection and behavioral severity grading using 24,131 paired clips from 601 sessions across 20 rats in a soman-induced epilepsy model. Ten video architectures and seven single-channel EEG models are evaluated independently on binary detection and three- and five-class severity tasks. In the session-exclusive reference comparison, R(2+1)D-18 and GRU achieve detection macro-F1 scores of 0.968 and 0.974, respectively; for five-class grading, the corresponding scores are 0.657 and 0.560. Subject-exclusive evaluation reduces five-class macro-F1 to 0.475 for video and 0.404 for EEG, highlighting the difficulty of grading unseen animals. Temporal-sampling experiments demonstrate the value of multiple frames, while detection performance varies relatively little across the evaluated video architectures. A separate video-only binary-detection evaluation on RodEpil achieves a mean seizure-class F1 of 0.979 after uniform re-encoding to reduce identified class-correlated encoding cues. The study characterizes existing models for behavior-defined severity labels under the evaluated protocol, motivating further investigation of expert-assisted annotation workflows. Our code and github page is available here.
• Abstract（参考訳）: 同期ビデオと脳波記録のマニュアルアノテーションは、前臨床発作研究においてボトルネックとなっている。 ソマン誘発てんかんモデルを用いて,20ラットの601セッションから24,131対のクリップを用いて,発作検出と行動重度評価の実証的研究を行った。 10のビデオアーキテクチャと7つの単一チャネル脳波モデルがバイナリ検出と3クラスおよび5クラスの重度タスクによって独立に評価される。 セッション排他基準比較では、R(2+1)D-18とGRUはそれぞれ0.968と0.974の検出マクロF1スコアを達成する。 被験者排他的評価は、ビデオの5クラスマクロF1を0.475、脳波の0.404に減らし、目に見えない動物の格付けの難しさを浮き彫りにする。 時間サンプリング実験は、複数のフレームの価値を実証する一方、検出性能は評価されたビデオアーキテクチャ間で相対的に変化しない。 RodEpilにおけるビデオのみのバイナリ検出評価は、一様再符号化後の0.979の平均的な発作クラスF1を達成し、識別されたクラス関連符号化キューを減らす。 本研究は、評価プロトコルに基づく行動定義重大度ラベルの既存モデルの特徴付けを行い、専門家支援アノテーションワークフローのさらなる研究を動機付けている。 コードとgithubのページはここにある。

関連論文リスト

• SAMI3D-DW: Interactive Segmentation of Any 3D Medical Images [41.76270845556824]
  SAMI3D-DWは、Deepwiseの大規模プロプライエタリな医療画像データセットに基づいてトレーニングされたインタラクティブな3Dセグメンテーションモデルである。 219のソースデータセットから4,326のケースからなるCT/MRベンチマークを用いて,ユーザインタラクションのシミュレーションによるモデルの評価を行った。 放射線医や臨床医にとって、SAMI3D-DWは、CT上の頭蓋内血管木やMR血管造影などの複雑な解剖学的構造を数クリックで分割することができる。
  論文  参考訳（メタデータ） (2026-09-22T06:25:11Z)
• Modeling Clinical Workflow for SYNTAX Scoring from Coronary Angiography Videos [73.50200033931148]
  我々はSynTAXスコアを血管セグメントのアイデンティティ保存解剖学的推論問題として再構成する。 本手法は, 骨・骨・骨・骨・骨の骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨
  論文  参考訳（メタデータ） (2026-09-20T11:08:19Z)
• A Multimodal Pre-trained Network for Integrated EEG-Video Seizure Detection [25.989788685567607]
  本稿では,脳波表現,最適トランスポートアライメント,双方向ビデオエンコーディングを組み合わせたフレームワークであるEEGFusionを提案する。 EEVFusionは0.9718のバランス精度を達成し、イベントFARを2.7250 FP/hから0.4833 FP/hに削減した。 脳波予知とOTアライメントが事象の感度を保ちながら誤警報を減少させることを示した。
  論文  参考訳（メタデータ） (2026-04-29T07:43:14Z)
• RodEpil: A Video Dataset of Laboratory Rodents for Seizure Detection and Benchmark Evaluation [1.4375519645884156]
  そこで我々は,うっ血性事象の自動検出のための実験用歯列のキュレートされたビデオデータセットを紹介した。 データセットには、クリップレベルで正常な活動または発作とラベル付けされた個々のネズミの短い(10秒)トップダウンとサイドビューのビデオクリップが含まれている。 10,101件の陰性サンプルと19人の被験者から採取された2,952件の陽性サンプルを含んでいる。
  論文  参考訳（メタデータ） (2025-11-13T15:53:59Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• PS-DeVCEM: Pathology-sensitive deep learning model for video capsule endoscopy based on weakly labeled data [0.0]
  本稿では, ビデオカプセル内視鏡(VCE)データを用いて, フレームレベルの異常検出と大腸疾患の多ラベル分類を行うための, 病因性深層学習モデル(PS-DeVCEM)を提案する。 我々のモデルは注目に基づく深層マルチインスタンス学習によって駆動され、弱いラベル付きデータでエンドツーエンドに訓練されている。 トレーニング中にフレームアノテーション情報を使わずに、時間的にフレームを病状でローカライズする能力を示す。
  論文  参考訳（メタデータ） (2020-11-22T15:33:37Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network [0.19686770963118383]
  本研究は,単チャンネル心電図(ECG)信号から得られた閉塞性睡眠時無呼吸症(OSA)の自動検出を目的とした1次元畳み込みニューラルネットワーク(1DCNN)モデルを提案する。 このモデルは、畳み込み、最大プール層と、隠蔽層とSoftMax出力からなる完全に接続された多層パーセプトロン(MLP)を用いて構成されている。 これは、モデルが高い精度でApnoeaの存在を識別できることを示している。
  論文  参考訳（メタデータ） (2020-02-03T15:47:00Z)

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。