Delta2Gamma:自学习脑电图分析更精准识别阿尔茨海默病特征
一种新方法利用无标注信号进行训练,将记录分解为五种节奏,并自适应调整对比学习。在ADFTD数据集上,该方法达到了92.4%的准确率,超越了经典的监督学习方法。

ЭЭГ как дешевый, но сложный сигнал
Для ранней диагностики болезни Альцгеймера нужны доступные методы. ЭЭГ выглядит идеально: оборудование портативное и недорогое. Но у записей есть особенности: они зашумлены, сильно различаются между людьми, а размеченных клинических данных мало. Из-за этого обычные нейросети, обученные «в лоб», часто переобучаются и плохо работают на новых пациентах.
В таких условиях перспективен самообучающийся анализ, например Delta2Gamma.

Самообучение вместо ручной разметки
Исследователи Чанву Пак и Чанву Ким предложили фреймворк Delta2Gamma, который не требует больших размеченных наборов. Идея в том, чтобы учиться на самих сигналах, создавая из них дополненные версии и сопоставляя их между собой — такой подход называется контрастивным обучением.
Сначала каждая запись раскладывается на пять классических нейронных ритмов: дельту, тету, альфу, бету и гамму. Для каждого ритма используется отдельный энкодер и своя проекционная голова, ведь статистика у диапазонов разная. Чтобы они вносили сбалансированный вклад в обучение, для каждого диапазона адаптивно подбирается температура — параметр, управляющий чувствительностью контрастивной функции потерь.
Результаты
Работа принята к 2026 IEEE Biomedical Circuits and Systems Conference (BioCAS). На когорте ADFTD эффективность Delta2Gamma проверили со строгим протоколом leave-one-subject-out: модель обучается на всех участниках, кроме одного, а потом проверяется на исключенном субъекте. Это максимально приближено к реальному использованию. На такой проверке удалось разделить пациентов с Альцгеймером и когнитивно нормальных людей с точностью 92,4%.
Этот результат превосходит как обычные контролируемые нейросети, так и недавние специализированные методы анализа ЭЭГ, которые разрабатывались именно для этой задачи.

Выводы
Delta2Gamma демонстрирует, что самообучающийся анализ ЭЭГ способен давать высокую точность без огромных размеченных баз. Возможность работать с сырыми, неразмеченными данными делает подход масштабируемым — его можно применять для массового скрининга деменции, где главное — низкая стоимость и простота. Это не замена полноценной диагностике, но перспективный инструмент для первичного отбора.
常问问题
相关材料
所有材料
RL 模拟器故障诊断中的规范多项式不变量:它们究竟在何处发挥作用
这项研究检验了将物理定律纳入可训练动力学模型是否合理:从轨迹中提取并通过 Gröbner 基化为规范形式的不变量,虽能小幅提升预测效果,却在诊断方面表现出色——它们能够定位被违反的约束,并找出具体的错误参数。
10 十一月 2026
AURA-Eval:如何验证 LLM 智能体识别了风险并调整了下一步行动
该框架评估 LLM 智能体在关键节点面对风险时的反应,而非最终判断:工具调用轨迹会被中断,随后模型必须继续推理并采取行动,LLM 评审团则分析其风险识别、行动性质与安全性。在从 157 条 R-Judge 轨迹中整理出的 1249 项任务上,对 20 个模型的评估显示,缺少安全路径时,不安全行为会增多;在执行前撤除监督,会使 52.3% 原本安全的案例转为不安全。
10 十一月 2026
陈-西蒙斯储层记忆:连通性的自主动力学与密度输运
本文探讨了储层如何同时在密度分布和几何自由度中保留输入信号的历史。对四种机制的比较表明,电流会形成一个独立的连通分量,改变密度的后续响应;而纳入所有测得的特征,则能在脉冲顺序解码方面带来小幅提升。
10 十一月 2026