論文の概要: Normative Deviation Modeling for EEG-based Depression Detection

• arxiv url: http://arxiv.org/abs/2610.37338v2
• Date: Fri, 30 Oct 2026 16:18:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.369804
• Title: Normative Deviation Modeling for EEG-based Depression Detection
• Title（参考訳）: 脳波による抑うつ検出のための規範的偏差モデル
• Abstract要約: 脳波による大うつ病検出における健康基準の使用について検討した。 我々は,異なる表現レベルでの規範的偏差を取り入れた2つの診断手法を開発した。
• 参考スコア（独自算出の注目度）: 47.50571707067453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Web-enabled digital health services are expanding access to physiological monitoring and mental health screening. However, electroencephalography (EEG)-based major depressive disorder (MDD) detection remains challenging across heterogeneous data sources, where individual variability and acquisition differences may affect disease-related representations. In this work, we investigate the use of healthy normative references for EEG-based MDD detection. Specifically, structural and distributional reference models are independently trained using healthy control (HC) recordings to characterize departures from healthy EEG patterns. We develop two diagnostic approaches that incorporate normative deviations at different representation levels. Scalar-level Normative Deviation-guided Diagnosis (S-NDD) summarizes structural and distributional deviations into scalar scores and integrates them with deep EEG representations. Feature-level Normative Deviation-guided Diagnosis (F-NDD) retains dimension-wise residuals and combines them with deep EEG representations through attention-based aggregation and auxiliary supervision. We also employ target HC-assisted score calibration for cross-source evaluation without updating the trained models. Experiments on two public EEG datasets examine both approaches under subject-independent within-source and bidirectional cross-source settings. The results demonstrate the effectiveness of normative deviation-guided diagnosis across different evaluation settings.
• Abstract（参考訳）: Web対応デジタルヘルスサービスは、生理的モニタリングやメンタルヘルススクリーニングへのアクセスを拡大している。 しかし、脳波(EEG)に基づく大うつ病(MDD)の検出は、個人差と獲得差が疾患関連表現に影響を与える可能性がある異種データソースで依然として困難である。 本研究では,脳波を用いたMDD検出における健全な基準基準の使用について検討する。 具体的には、構造的および分布的参照モデルは、健康脳波パターンからの離脱を特徴付けるために、健康制御(HC)記録を用いて独立に訓練される。 我々は,異なる表現レベルでの規範的偏差を取り入れた2つの診断手法を開発した。 スカラーレベルのノルマティブ偏差誘導診断(S-NDD)は、構造的偏差と分布的偏差をスカラースコアにまとめ、深部脳波表現と統合する。 特徴レベルノルマティブ偏差誘導診断(F-NDD)は、次元的残差を保持し、注意に基づくアグリゲーションと補助的監視を通じて深部脳波表現と組み合わせる。 また、トレーニングされたモデルを更新することなく、HC支援スコアキャリブレーションを用いて、ソース間評価を行う。 2つのパブリックEEGデータセットの実験では、主題に依存しないイントラソースと双方向のクロスソース設定の下で両方のアプローチが検討されている。 その結果,異なる評価環境における標準偏差誘導診断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)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Comparing Post-Hoc Explainable AI Methods for Interpreting Black-Box EEG Models in Depression Detection [0.0]
  本研究では,脳波による抑うつ検出のためのインセプションタイムアーキテクチャに適用した複数のポストホック説明可能性手法について検討した。 評価により,前頭葉,側頭葉,後頭葉の脳波領域に連続的に強調される部分収束帰属パターンが認められた。 以上の結果から,脳波に基づく抑うつ検出のための深層学習モデルにおいて,様々なポストホック説明可能性アプローチが部分的に重複する関連構造を捉えていることが示唆された。
  論文  参考訳（メタデータ） (2026-05-27T18:32:57Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• PRISM: Exploring Heterogeneous Pretrained EEG Foundation Model Transfer to Clinical Differential Diagnosis [5.616707402426108]
  PRISMは2つの軸に沿ってアブレーションされたマスク付きオートエンコーダである。 狭義のEU/USコーパスを,多施設の南アジア臨床記録を付加した地理的に多様なプールと比較した。 PRISMはタスクの大部分でREVE(92データセット、6万時間以上)にマッチする。
  論文  参考訳（メタデータ） (2026-02-28T19:50:28Z)
• MedRAG: Enhancing Retrieval-augmented Generation with Knowledge Graph-Elicited Reasoning for Healthcare Copilot [47.77948063906033]
  Retrieval-augmented Generation (RAG)は、プライバシーに敏感な電子健康記録を検索するのに適した手法である。 本稿では,医療領域に対する知識グラフ(KG)により強化されたRAGモデルであるMedRAGを提案する。 MedRAGはより具体的な診断の洞察を提供し、誤診率の低減に最先端のモデルを上回っている。
  論文  参考訳（メタデータ） (2025-02-06T12:27:35Z)
• EEG-MACS: Manifold Attention and Confidence Stratification for EEG-based Cross-Center Brain Disease Diagnosis under Unreliable Annotations [12.079438742832371]
  センター間のデータの異質性とアノテーションは、脳信号を用いた疾患のインテリジェントな診断に大きく挑戦する。 神経変性疾患の診断にMACS(Manifold Attention and Confidence Stratification)を用いた枠組みを導入する。 神経認知障害と運動障害の両方を中心コーパスを用いて対象非依存に実験し,既存のアルゴリズムと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-04-29T10:08:43Z)
• cOOpD: Reformulating COPD classification on chest CT scans as anomaly detection using contrastive representations [0.6733204971296001]
  cOOpD: 正常な同種肺領域からヘテロジニアス領域がアウト・オブ・ディストリビューション (OOD) として検出される。 生成モデルは、健全な表現の分布を学び、異常を逸脱として識別する。 AUROCでは,cOOpDが8.2%,7.7%の増加とともに,2つの公開データセット上で最高のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2023-07-14T10:05:37Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)

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。