信号空間およびソース空間EEGにおける特徴ベースの機械学習スパイクマーキング:焦点てんかんの原理実証ケーススタディ

• MEG(安静時脳磁図)データを用い、健康対照群・左時間葉てんかん・右時間葉てんかんの3クラス分類を行う解釈可能なマルチスケール指向性時間グラフ畳み込みネットワーク(MSD-STGNN)を提案した研究。
• 被験者は43名のみ(HC 14名、lTLE 13名、rTLE 16名)の単一施設コホートで、5分割交差検証による精度0.836±0.067、マクロF1 0.830±0.065、マクロAUC 0.900±0.055を達成しベースラインを上回った。
• デフォルトモードネットワーク(DMN)関連領域に基づき6周波数帯で指向性有効結合ネットワークを構築し、低ガンマ帯・ベータ帯への依存度が高いこと、前頭前野・帯状回・内側側頭部・頭頂部が高い融合重みを示すことを報告。

• MF-TopoNetはCHB-MITデータセットで95.88%の精度、95.60%の感度、96.15%の特異度を達成した
• MF-TopoNetはSienaデータセットで94.01%の精度、93.92%の感度、94.11%の特異度を達成した

M2EEG-VRは、仮想現実(VR)の没入型機能を活用し、ヒトが介在するEEGてんかん検出分析のためのマルチモーダルプラットフォームを開発する。この研究では、AIを用いてEEG信号を音声表現にエンコードし、新生児てんかんの音響検出を支援する。また、てんかん領域の空間マッピングを備えた3D脳モデルも導入されている。20人の参加者を対象としたユーザー調査では、視覚と聴覚の組み合わせ条件で、視覚のみまたは聴覚のみのモードよりも高いてんかん検出精度(平均7.6 ± 1.2)を達成した。このマルチモーダル環境は検出精度を向上させる可能性が示唆された。ユーザビリティは高く(SUS = 83 ± 11)、…

• ADHD評価支援のため、EEGの非定常性によるばらつきに対処する深層学習アーキテクチャ「CTE-Net」を提案。Transformerエンコーダーでマルチチャネル表現を文脈化し、微分可能な転送エントロピーモジュールで全電極ペア間の指向性情報依存性を推定する。
• 公開小児EEGデータセット(ADHD群60名・対照群60名、計120名)で、ウィンドウレベル精度80.9±1.7%、参加者レベル精度83.4%、ROC-AUC 90.2%を達成。
• 指向性転送エントロピー表現は分析した表現段階の中で最も低い被験者内分散を示し、生EEG比で中央値38.35%の削減を確認。

• EEGNetの8ビット量子化モデルでは損失勾配(テイラー展開)が量子化グラフ上で未定義となり、勾配フリーの構造的感度解析(SSA)が最良の重要度基準としてL1、幾何中央値、ランダムプルーニングを集計で大きく上回った。
• 4データセット・2パラダイム(運動イメージとERP)・2アーキテクチャにわたるリークフリー比較で、ファインチューニング後のSSAとテイラー展開は統計的に同等(精度差±1ポイント、TOST p=0.01)であり、重みベース・ランダム基準を大幅に上回った。
• プルーニングスケジュールとファインチューニングは重要度基準の選択よりも重要であり、大規模に事前学習してからファインチューニング付きでプルーニングすることで、直接学習した小規模モデルと同等の精度を回復できる。