論文の概要: Representation learning for improved interpretability and classification accuracy of clinical factors from EEG

• arxiv url: http://arxiv.org/abs/2010.15274v3
• Date: Tue, 17 Nov 2020 22:33:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 06:22:36.594885
• Title: Representation learning for improved interpretability and classification accuracy of clinical factors from EEG
• Title（参考訳）: 脳波からの臨床因子の解釈性と分類精度を向上させる表現学習
• Authors: Garrett Honke, Irina Higgins, Nina Thigpen, Vladimir Miskovic, Katie Link, Sunny Duan, Pramod Gupta, Julia Klawohn, Greg Hajcak
• Abstract要約: 脳波に基づく神経測定は、うつ病の信頼できる客観的相関、あるいはうつ病の予測因子として機能する。 これまでの研究では、脳波に基づく神経計測がうつ病の信頼できる客観的相関、あるいはうつ病の予測因子として機能することを示した。 しかし,その臨床的有用性は,1)脳波データに関連する固有ノイズに対処する自動化方法の欠如,2)脳波信号のどの側面が臨床疾患のマーカーであるかの知識の欠如など,完全には実現されていない。
• 参考スコア（独自算出の注目度）: 7.323779456638996
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Despite extensive standardization, diagnostic interviews for mental health disorders encompass substantial subjective judgment. Previous studies have demonstrated that EEG-based neural measures can function as reliable objective correlates of depression, or even predictors of depression and its course. However, their clinical utility has not been fully realized because of 1) the lack of automated ways to deal with the inherent noise associated with EEG data at scale, and 2) the lack of knowledge of which aspects of the EEG signal may be markers of a clinical disorder. Here we adapt an unsupervised pipeline from the recent deep representation learning literature to address these problems by 1) learning a disentangled representation using $\beta$-VAE to denoise the signal, and 2) extracting interpretable features associated with a sparse set of clinical labels using a Symbol-Concept Association Network (SCAN). We demonstrate that our method is able to outperform the canonical hand-engineered baseline classification method on a number of factors, including participant age and depression diagnosis. Furthermore, our method recovers a representation that can be used to automatically extract denoised Event Related Potentials (ERPs) from novel, single EEG trajectories, and supports fast supervised re-mapping to various clinical labels, allowing clinicians to re-use a single EEG representation regardless of updates to the standardized diagnostic system. Finally, single factors of the learned disentangled representations often correspond to meaningful markers of clinical factors, as automatically detected by SCAN, allowing for human interpretability and post-hoc expert analysis of the recommendations made by the model.
• Abstract（参考訳）: 広範な標準化にもかかわらず、精神疾患の診断面接は実質的な主観的判断を包含している。 これまでの研究では、脳波に基づく神経計測がうつ病の信頼できる客観的相関、あるいはうつ病の予測因子として機能することを示した。 しかし、その臨床的有用性は十分に実現されていない。 1)大規模脳波データに伴う固有ノイズに対する自動的対処方法の欠如,及び 2)脳波信号のどの側面が臨床疾患のマーカーであるかについての知識の欠如。 ここでは,最近の深層表現学習文献から教師なしのパイプラインを適応させ,これらの問題に対処する。 1)$\beta$-vae で不連続表現を学習して信号をデノベートし、 2)scan(symbol-concept association network)を用いて臨床ラベルのばらばらな集合に関連する解釈可能な特徴を抽出する。 本手法は,患者年齢やうつ病の診断など,さまざまな要因において,標準手技ベースライン分類法よりも優れていることを示す。 さらに,新規な単一脳波トラジェクトリから認知事象関連電位(ERP)を自動的に抽出する表現を復元し,様々な臨床ラベルへの高速な教師付き再マッピングをサポートし,標準化された診断システムによらず,単一の脳波表現を再利用できるようにする。 最後に、学習された不整合表現の1つの要因は、SCANによって自動的に検出されるように、しばしば臨床的要因の有意義なマーカーに対応し、ヒトの解釈可能性とモデルによる推奨のポストホックな専門家分析を可能にする。

関連論文リスト

• STIED: A deep learning model for the SpatioTemporal detection of focal Interictal Epileptiform Discharges with MEG [0.08030359871216612]
  脳磁図(MEG)を用いたてんかん間葉状放電(IED)の非侵襲的検出 深層学習(DL)は臨床MEGの実践に革命をもたらす可能性がある。 我々は,2つの畳み込みニューラルネットワークと時間的(1次元時間軸)および空間的(2次元トポグラフィー)特徴を組み合わせた,強力で教師付きなDLアルゴリズムであるSTIEDを開発した。
  論文  参考訳（メタデータ） (2024-10-30T18:41:22Z)
• A Cross Attention Approach to Diagnostic Explainability using Clinical Practice Guidelines for Depression [13.000907040545583]
  そこで我々は,一般的なトランスフォーマーモデルにおける注目度を高め,臨床医が理解可能な分類説明を生成する手法を開発した。 臨床医が患者と対話する際の専門知識をどのように頼っているかに触発され、関連する臨床知識を活用して患者の入力をモデル化する。 うつ病の診断に臨床実習ガイドライン(CPG)を用いてメンタルヘルス(MH)の文脈でこのようなシステムを開発する。
  論文  参考訳（メタデータ） (2023-11-23T08:42:18Z)
• Tensor Decomposition of Large-scale Clinical EEGs Reveals Interpretable Patterns of Brain Physiology [0.13980986259786218]
  本稿では,人口レベルの脳波パターンの相似集合を発見するためのテンソル分解手法を提案する。 認知障害のさまざまな段階を含む患者のコホートを用いて臨床評価を行った。
  論文  参考訳（メタデータ） (2022-11-24T20:39:22Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• Evaluation of Interpretability for Deep Learning algorithms in EEG Emotion Recognition: A case study in Autism [4.752074022068791]
  説明可能な人工知能(XAI)に関する現在のモデルでは、特徴関連性を測定するための信頼性の欠如が明らかで定量化されている。 この研究は、脳波に基づく顔の感情認識を成功させるために、より透明な特徴関連計算を統合する最初のものである。
  論文  参考訳（メタデータ） (2021-11-25T18:28:29Z)
• EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network [0.0]
  我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。 その結果,11名の被験者に対して平均78.35%の精度が得られた。
  論文  参考訳（メタデータ） (2021-05-30T14:47:20Z)
• Non-contact Pain Recognition from Video Sequences with Remote Physiological Measurements Prediction [53.03469655641418]
  痛み認識のための非接触方式で外観変化と生理的手がかりの両方を符号化する新しいマルチタスク学習フレームワークを提案する。 我々は、一般に利用可能な痛みデータベース上で、非接触痛認識の最先端性能を確立する。
  論文  参考訳（メタデータ） (2021-05-18T20:47:45Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。