論文の概要: NOMAD-EEG: Native Omni-Montage Adaptive Diffusion

• arxiv url: http://arxiv.org/abs/2610.35246v1
• Date: Mon, 26 Oct 2026 11:26:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.843273
• Title: NOMAD-EEG: Native Omni-Montage Adaptive Diffusion
• Title（参考訳）: NOMAD-EEG:Omni-Montage Adaptive Diffusion
• Abstract要約: NOMAD-EEGは、パッチなしで状態空間の層を交換し、3D頭皮の位置によってのみ注目される。 1つのコーパスから147 hの未ラベル脳波を事前訓練し、10つのデータセット上で凍結された線形プローブを用いて評価した。 これは自閉症のP300検出において、目に見えない8電極モンタージュの5つのモデルの中で最高のものだった。
• 参考スコア（独自算出の注目度）: 1.1011268090482578
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose. Electroencephalography (EEG) montages, channel counts and recording lengths vary widely, but most EEG foundation models are bound to the channel set and input length they were trained on. We aimed to build a generative EEG foundation model independent of the number, identity and order of electrodes and of the input length. Methods. NOMAD-EEG is a 12.0 M-parameter diffusion model that alternates state-space layers along time, without patches, with attention across electrodes identified only by their 3D scalp position. It was pre-trained on 147 h of unlabelled EEG from a single corpus and evaluated with frozen linear probes on ten datasets with 1 to 64 electrodes against seven foundation models run under one protocol, and on two unseen populations. Results. Despite its small size (12.0 M parameters against 69 M for REVE) and single pre- training corpus, NOMAD-EEG outperformed all seven foundation models on EEGMMIDB mo- tor imagery (balanced accuracy 0.442), Siena seizure detection (macro F1 0.622) and Bonn seizure detection (AUROC 0.999), had the highest accuracy of the seven compared models on TUEP epilepsy diagnosis (0.640) and, after fine-tuning, the highest \k{appa} (0.635) and weighted F1 (0.814) on TUEV event classification. It was the best of five models on P300 detection in autism with an unseen eight-electrode montage (AUROC 0.718). With only 5 of 19 electrodes, its mean AUROC fell only from 0.942 to 0.891. Conclusion. Identifying electrodes by position and modelling time without patches let one small model, pre-trained on one corpus, outperform much larger EEG foundation models on seizure detection, epileptiform event classification, epilepsy diagnosis and motor imagery.
• Abstract（参考訳）: 目的。 脳波(EEG)モンタージュ、チャネル数、記録長は様々であるが、ほとんどの脳波基礎モデルは、訓練したチャネルセットと入力長に束縛されている。 我々は,電極の数,個性,順序,入力長に依存しない生成型脳波基礎モデルの構築を目指していた。 メソッド。 NOMAD-EEGは12.0Mパラメータ拡散モデルであり、パッチなしで状態空間の層を交換し、3D頭皮の位置によってのみ注目される。 1つのコーパスから147 hの未ラベル脳波を事前学習し、1から64個の電極を持つ10個のデータセットと7つの基礎モデルと2つの未知の集団に対して凍結線形プローブを用いて評価した。 結果。 小型(REVEの69Mに対する12.0Mパラメータ)とシングルトレーニングコーパスにもかかわらず、NOMAD-EEGはEEGMMIDBモトーラ画像(精度0.442)、シエナ発作検出(macro F1 0.622)、ボン発作検出(AUROC 0.999)の7つの基礎モデル全てを上回り、TUEPてんかん診断(0.640)および微調整後のTUEVイベント分類における最高値 \k{appa} (0.635)、重み付きF1 (0.814) の7つのモデルと比較した。 自閉症のP300検出において、AUROC 0.718という目立たない8電極モンタージュの5つのモデルの中で最高のものとなった。 19個の電極のうち5個しか存在せず、平均的なAUROCは0.942から0.891に低下した。 結論。 パッチなしで電極の位置とモデリング時間により、一つの小さなモデルが1つのコーパスで事前訓練され、発作検出、てんかんのイベント分類、てんかんの診断、運動画像においてより大きな脳波基礎モデルより優れている。

関連論文リスト

• Comparative Analysis of State-of-the-Art Foundation Models for Sleep Analysis Under Channel Reduction [3.666071815004404]
  The Multi-Ethnic Study of Atherosclerosis (MESA) PSG data。 脳波は睡眠時信号のほとんどを持ち、ウェアラブル互換の代替品の一貫性のある精度コストを定量化し、睡眠関連事前訓練がMESAに良好に伝達されることを示す。
  論文  参考訳（メタデータ） (2026-08-14T05:52:11Z)
• TransformEEG: Towards Improving Model Generalizability in Deep Learning-based EEG Parkinson's Disease Detection [1.2358659553221853]
  EEGベースのディープラーニングモデルは、有望な結果を示している。 現在のDLモデルは、オブジェクト間の変動が激しいため、一般化性に乏しい。 本稿では,脳波データを用いたパーキンソン病検出のためのハイブリッド畳み込み変換器であるTransformEEGを紹介する。
  論文  参考訳（メタデータ） (2025-07-10T10:44:53Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• A new method of modeling the multi-stage decision-making process of CRT using machine learning with uncertainty quantification [8.540186345787244]
  本研究の目的は、心不全患者に対する心臓再同期療法(CRT)反応を予測するための多段階機械学習モデルを構築することである。
  論文  参考訳（メタデータ） (2023-09-15T14:18:53Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• 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。