#EEG 関連記事 | AI Edgeline

PHINN-EEG、夢状態脳波のトポロジカル時系列解析を発表 — 分類・合成性能向上へ

Ren Takahashi、Emre Yusuf、Jayabrata Bhaduriの3氏は2026年7月10日(現地時間)、論文プレプリントサーバーarXivで、夢状態脳波 (EEG) のトポロジカル時系列解析フレームワーク「PHINN-EEG (Persistent Homology Inspired Neural Network for EEG)」を発表した。既存の脳波ベースの夢検出手法が電力スペクトル密度 (PSD) や統計モーメント特徴に依存し、DREAMデータベースで約0.70のAUC (area under the receiver operating characteristic curve) を達成しているのに対し、PHINN-EEGは神経活動の幾何学的構造に着目。DREAMデータベースのオープンアクセスサブセットでAUC 0.82-0.90を目標とする。

深層学習Conv-VaDE、EEGマイクロステート解釈性を向上

arXiv cs.LGは2026年4月29日(現地時間)、Saheed Faremi氏らが開発した新しい深層学習モデル「Convolutional Variational Deep Embedding (Conv-VaDE)」を発表した。このモデルは、脳の電気的活動から得られるEEGマイクロステートの解析において、従来のModified K-Meansなどが抱えていたモデルの不透明性や解釈性の限界を克服することを目指す。共有された潜在空間でトポグラフィー再構築と確率的ソフトクラスタリングを共同で学習し、分析の透明性向上に貢献する。