論文の概要: EEG-Based Classification of Hypnotic Susceptibility Using Two-Dimensional Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2610.27738v1
• Date: Tue, 20 Oct 2026 07:03:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.679737
• Title: EEG-Based Classification of Hypnotic Susceptibility Using Two-Dimensional Convolutional Neural Networks
• Title（参考訳）: 2次元畳み込みニューラルネットワークを用いた脳波による水腫感受性の分類
• Abstract要約: 本研究では2次元畳み込みニューラルネットワーク(CNN)を用いた脳波による催眠性分類について検討する。 256チャンネルの高密度アレイ増幅器を用いて、ガイド画像や認知タスク条件下で62名の男性被験者からデータを収集した。
• 参考スコア（独自算出の注目度）: 0.3324986723090369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Guided Imagery (GI) is a mind-based relaxation technique widely used in clinical and therapeutic settings. Objectively assessing whether a patient has entered a relaxed state remains a challenge for clinicians. This study investigates electroencephalography (EEG)-based classification of hypnotic susceptibility using two-dimensional Convolutional Neural Networks (2D CNNs) applied to minimally preprocessed signals, without manual feature extraction. Data were collected from 62 male participants (32 Control, 30 Hypno) using a 256-channel dense array amplifier during Guided Imagery or cognitive task conditions. A sliding-window framework evaluated up to 868 independent models across seven anatomically defined brain regions and 124 ten-second time windows. Segment-level random-split screening was followed by Leave-One-Subject-Out (LOSO) cross-validation to obtain subject-independent performance estimates, and an ensemble approach combined predictions across K = 10 windows. The best single-window model achieved accuracy of 0.82 on the random split. Under LOSO, anterior regions generalised better across subjects: the frontal region achieved mean accuracy of 0.646 (AUC: 0.692). An ensemble of K = 10 windows further improved the prefrontal region to mean accuracy of 0.738. The occipital region, dominant in random-split screening, collapsed to near-chance under LOSO, revealing subject-specific EEG fingerprinting rather than genuine group differences. Bandpass filtering and z-score normalisation suffice for competitive EEG classification without manual feature extraction. Anterior cortical regions are identified as the most generalisable neural markers of hypnotic susceptibility.
• Abstract（参考訳）: ガイド画像(英語: Guided Imagery, GI)は、臨床や治療に広く用いられている心的緩和技術である。 患者がリラックス状態に入ったかどうかを客観的に評価することは、臨床医にとって課題である。 本研究では,脳波を用いた2次元畳み込みニューラルネットワーク(2次元CNN)を用いて,手動による特徴抽出を行わずに,脳波による催眠感受性の分類について検討した。 被験者62名(コントロール32名,ハイプノ30名)から、ガイド画像や認知タスク条件下で256チャンネルの高密度アレイ増幅器を用いてデータを収集した。 スライディング・ウインドウ・フレームワークは、解剖学的に定義された7つの脳領域と124個の10秒のタイムウインドウで、最大868個の独立したモデルを評価した。 セグメンションレベルのランダムスプリットスクリーニングに続いて、主観非依存のパフォーマンス推定を得るために、Leave-One-Subject-Out (LOSO) クロスバリデーションと、K = 10ウィンドウにわたる予測を組み合わせたアンサンブルアプローチが実施された。 最高の単ウィンドウモデルはランダムスプリットで0.82の精度を達成した。 前頭葉領域は平均精度0.646(AUC: 0.692)を達成した。 K = 10ウィンドウのアンサンブルにより前頭前領域はさらに改善され、精度は0.738となった。 ランダムスプリットスクリーニングにおいて支配的な後頭葉領域は,LOSO下では近縁に崩壊し,真のグループ差ではなく,被検体特異的な脳波フィンガープリントが出現した。 帯域通過フィルタリングとzスコア正規化は、手動の特徴抽出なしで競合する脳波分類に十分である。 前皮質領域は、催眠薬感受性の最も一般的な神経マーカーとして同定される。

関連論文リスト

• Region-Specific EEG Classification of Hypnotic Susceptibility Using a Sliding-Window 2D CNN: A Subject-Independent Evaluation [0.4640835690336653]
  脳波信号の最小処理で訓練されたCNNは、異なる脳領域にまたがる催眠性感受性を分類することができる。 後頭葉領域は90.3%の窓で最高平均精度(0.721)を達成した。 前頭前野と前頭前野は上行程のLOSO精度を維持した。
  論文  参考訳（メタデータ） (2026-10-20T15:55:22Z)
• A Domain-Structured Ensemble Framework for Perioperative Outcome Prediction Using Electronic Health Record Data [0.0]
  周術期のリスク予測モデルは、狭い外科的人口、不完全なデータ、限られた解釈可能性によって制限されることが多い。 日常的に収集された電子健康記録(EHR)データを用いた結果予測のためのドメイン構造化アンサンブルフレームワークを提案する。 全国の保健情報交換所で行った5,386件の症例管理サンプルにおいて,術後デリリウムを用いた枠組みを実証した。
  論文  参考訳（メタデータ） (2026-08-09T21:15:12Z)
• Complementary Roles of Image Classification and Vessel Segmentation in AI-Based Screening for Retinopathy of Prematurity Plus Disease in a Kenyan Preterm Cohort [0.0]
  未熟児網膜症(ROP)は小児期失明の予防可能な原因である。 網膜血管拡張とトルトゥシティーを特徴とするプラス疾患は治療を誘発するが、主観的かつ変動的である。 自動スクリーニングは専門家の範囲を広げる可能性があるが、アフリカ人の証拠は限られている。
  論文  参考訳（メタデータ） (2026-07-07T04:40:16Z)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Fusion-Based Brain Tumor Classification Using Deep Learning and Explainable AI, and Rule-Based Reasoning [0.0]
  本研究では,MobileNetV2とDenseNet121畳み込みニューラルネットワーク(CNN)を組み合わせたアンサンブルに基づくディープラーニングフレームワークを提案する。 モデルは、階層化された5倍のクロスバリデーションプロトコルを使用して、Figshareデータセット上でトレーニングされ、評価された。 このアンサンブルは個々のCNNよりも優れた性能を示し、精度は91.7%、精度は91.9%、リコールは91.7%、F1スコアは91.6%だった。
  論文  参考訳（メタデータ） (2025-08-09T08:46:36Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate Between Papilledema and Optic Disc Drusen [44.754910718620295]
  我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。 1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。 われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
  論文  参考訳（メタデータ） (2021-12-18T17:05:53Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)

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。