Delta2Gamma: analisis EEG yang belajar mandiri lebih akurat menemukan tanda-tanda Alzheimer
Pendekatan baru ini dilatih pada sinyal tanpa label, menguraikan rekaman menjadi lima ritme dan menyesuaikan perbandingan kontrastif secara adaptif. Pada kumpulan data ADFTD, pendekatan ini mencapai akurasi 92,4%, melampaui metode terawasi klasik.

EEG sebagai Sinyal Murah namun Kompleks
Untuk diagnosis dini penyakit Alzheimer diperlukan metode yang terjangkau. EEG tampak ideal: peralatannya portabel dan tidak mahal. Namun rekaman EEG memiliki karakteristik: berisik, sangat bervariasi antar individu, dan data klinis yang berlabel jumlahnya sedikit. Karena itu, jaringan saraf biasa yang dilatih secara langsung sering mengalami overfitting dan bekerja buruk pada pasien baru.
Dalam kondisi seperti ini, analisis self-supervised learning menjanjikan, misalnya Delta2Gamma.

Self-Supervised Learning sebagai Pengganti Pelabelan Manual
Peneliti Chanwu Park dan Chanwoo Kim mengusulkan kerangka kerja Delta2Gamma yang tidak memerlukan kumpulan data berlabel besar. Idenya adalah belajar dari sinyal itu sendiri, dengan membuat versi augmentasi dari sinyal tersebut dan membandingkannya satu sama lain — pendekatan ini disebut contrastive learning.
Pertama, setiap rekaman diuraikan menjadi lima ritme saraf klasik: delta, theta, alfa, beta, dan gamma. Untuk setiap ritme digunakan encoder terpisah dan projection head sendiri, karena statistik setiap rentang frekuensi berbeda. Agar kontribusinya seimbang dalam pelatihan, untuk setiap rentang frekuensi disesuaikan temperatur secara adaptif — parameter yang mengontrol sensitivitas fungsi loss kontrastif.
Hasil
Karya ini diterima di 2026 IEEE Biomedical Circuits and Systems Conference (BioCAS). Pada kohort ADFTD, efektivitas Delta2Gamma diuji dengan protokol ketat leave-one-subject-out: model dilatih pada semua peserta kecuali satu, lalu diuji pada subjek yang dikecualikan. Ini paling mendekati penggunaan nyata. Pada pengujian tersebut, model berhasil membedakan pasien Alzheimer dan individu dengan kognisi normal dengan akurasi 92,4%.
Hasil ini melampaui jaringan saraf supervised konvensional maupun metode analisis EEG khusus yang baru-baru ini dikembangkan khusus untuk tugas ini.

Kesimpulan
Delta2Gamma menunjukkan bahwa analisis EEG self-supervised mampu memberikan akurasi tinggi tanpa basis data berlabel yang besar. Kemampuan bekerja dengan data mentah yang tidak berlabel membuat pendekatan ini skalabel — dapat diterapkan untuk skrining demensia massal, yang terpenting adalah biaya rendah dan kesederhanaan. Ini bukan pengganti diagnosis menyeluruh, melainkan alat yang menjanjikan untuk seleksi awal.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
Memori reservoir Chern–Simons: dinamika konektivitas mandiri dan transfer densitas
Artikel ini membahas bagaimana reservoir menyimpan riwayat sinyal masukan secara bersamaan dalam distribusi densitas dan derajat kebebasan geometris. Perbandingan empat mekanisme menunjukkan bahwa arus menciptakan komponen keterhubungan tersendiri yang mengubah respons densitas berikutnya, sementara penggunaan semua fitur yang terukur memberikan sedikit peningkatan dalam dekode urutan pulsa.
10 November 2026
STAR: normalisasi adaptif konteks temporal dan graf layanan untuk manajemen insiden end-to-end
Framework STAR mempelajari representasi dari metrik, log, dan trace dengan menerapkan normalisasi yang dapat dilatih, yang memperhitungkan dinamika temporal multiskala dan struktur dependensi antarservice. Pada dua dataset dunia nyata, pendekatan ini secara konsisten meningkatkan kualitas deteksi anomali, pemeringkatan kegagalan, dan penelusuran akar penyebab dibandingkan metode baseline mutakhir.
10 November 2026
Verifikasi kandidat lebih mahal daripada generasinya: honeypot untuk melawan pencarian kerentanan berbasis LLM
Karya ini mengulas asimetri biaya dalam pencarian bug oleh agen: menghasilkan kandidat itu murah, sedangkan mengonfirmasinya melalui analisis keterjangkauan, eksekusi, dan PoC membutuhkan sebagian besar anggaran, sehingga verifikasi dapat dijadikan sasaran pertahanan tersendiri. RedHerring yang diusulkan—umpan yang disesuaikan dengan repositori dan dilengkapi sertifikat tertutup—mengurangi jumlah kerentanan nyata yang ditemukan sebesar 38,7–60,4% dengan biaya yang sama di 33 proyek OSS-Fuzz; bahkan setelah agen diperingatkan, penurunannya tetap mencapai 37,2%.
9 November 2026