論文の概要: Region-Specific EEG Classification of Hypnotic Susceptibility Using a Sliding-Window 2D CNN: A Subject-Independent Evaluation

• arxiv url: http://arxiv.org/abs/2610.28427v1
• Date: Tue, 20 Oct 2026 15:55:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.89934
• Title: Region-Specific EEG Classification of Hypnotic Susceptibility Using a Sliding-Window 2D CNN: A Subject-Independent Evaluation
• Title（参考訳）: Sliding-Window 2D CNNを用いた脳波領域別非依存性評価
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.4640835690336653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate whether a 2D Convolutional Neural Network (CNN) trained on minimally preprocessed EEG signals can classify hypnotic susceptibility across distinct brain regions. Sixty-two male participants (32 Control, 30 Guided Imagery / Hipno group) underwent a 20-minute EEG recording using a 256-channel EGI cap. A sliding-window approach evaluates all 10-second windows within the recording for each of seven predefined brain regions (prefrontal, frontal, temporal, central, parietal, occipital, and facial), yielding up to 868 independently trained models. Initial screening with a segment-level 90/10 random split showed that five regions exceeded the 0.67 accuracy threshold, with the occipital region achieving the highest mean accuracy (0.721) across 90.3% of windows. Subject-independent evaluation via Leave-One-Subject-Out (LOSO) cross-validation, however, substantially revised this picture: occipital performance collapsed to near-chance (mean ACC 0.453, AUC 0.429), revealing that high random-split accuracy was driven by subject-specific EEG fingerprints rather than genuine group differences. In contrast, the frontal and prefrontal regions maintained above-chance LOSO accuracy (0.646 and 0.624, respectively), demonstrating genuine generalisability. These results underscore the necessity of subject-independent validation in EEG-based classification studies and highlight anterior cortical regions as more reliable neural markers of hypnotic susceptibility.
• Abstract（参考訳）: 脳波信号に基づいて訓練された2次元畳み込みニューラルネットワーク(CNN)が、異なる脳領域にまたがる催眠性感受性を分類できるかどうかを検討する。 対照群32例, ガイド画像群30例, ヒプノ群32例), 256チャンネルEGIキャップを用いて20分間の脳波記録を行った。 スライドウインドウ・アプローチは、事前に定義された7つの脳領域(前頭前、前頭前、側頭、頭頂、後頭、顔)のそれぞれについて記録中の10秒のウィンドウを評価し、最大868個の独立して訓練されたモデルを生成する。 分割レベル90/10のランダムスプリットによる初期スクリーニングでは、5つの領域が0.67の精度閾値を超え、後頭葉領域は90.3%のウィンドウで最高平均精度(0.721)を達成した。 しかし,LOSO(Leave-One-Subject-Out)クロスバリデーションによる対象非依存評価では,後頭骨のパフォーマンスがほぼ整合(平均ACC 0.453, AUC 0.429)に低下し,真のグループ差ではなく,被写体特異的な脳波指紋によって高いランダムスプリット精度が引き起こされたことが明らかになった。 対照的に、前頭前野と前頭前野は、それぞれ0.646と0.624の精度を維持し、真の一般性を示した。 これらの結果は、脳波に基づく分類研究における主観的非依存的検証の必要性を浮き彫りにし、催眠性感受性のより信頼性の高い神経マーカーとして前皮質領域を強調した。

関連論文リスト

• EEG-Based Classification of Hypnotic Susceptibility Using Two-Dimensional Convolutional Neural Networks [0.3324986723090369]
  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。
  論文  参考訳（メタデータ） (2026-10-20T07:03:22Z)
• International Multi-Centre Validation of Unsupervised Domain Adaptation for Precise Discrimination between Normal and Abnormal Retinal Development [9.794398054588596]
  正常および異常網膜の発生を異なるOCT系で分類するために, 教師なし領域適応モデルを開発し, 評価した。 データはテーブルマウントとハンドヘルドシステムを含む4つのOCTデバイスをカバーした。 ResNet50をベースとしたDomain Adversarial Neural Networkは、ソースデバイスからのラベル付きイメージとターゲットデバイスからの未ラップイメージを使用してトレーニングされた。
  論文  参考訳（メタデータ） (2026-10-15T11:39:29Z)
• Graph Learning for Cross-Subject, Cross-Population EEG Emotion Decoding and Model-Derived Spatial-Spectral Neural Signatures [5.151757331848474]
  EmoDiPyraTransは、相対パワースペクトル密度グラフをモデル化する開発正規化微分グラフ変換器である。 SEED, FACED, MAHNOB-HCI, DEAP, DREAMERのクロスオブジェクト評価では, それぞれ0.928, 0.645, 0.714, 0.617, 0.671の参加者平均精度が得られた。
  論文  参考訳（メタデータ） (2026-08-13T05:51:41Z)
• 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 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)
• 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)
• Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
  我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。 4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。 一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
  論文  参考訳（メタデータ） (2024-08-30T08:57:04Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• 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。