論文の概要: Group Feature Learning and Domain Adversarial Neural Network for aMCI Diagnosis System Based on EEG

• arxiv url: http://arxiv.org/abs/2105.06270v1
• Date: Wed, 28 Apr 2021 08:08:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 12:06:20.835509
• Title: Group Feature Learning and Domain Adversarial Neural Network for aMCI Diagnosis System Based on EEG
• Title（参考訳）: 脳波に基づくAMCI診断システムのためのグループ特徴学習とドメイン反転ニューラルネットワーク
• Authors: Chen-Chen Fan, Haiqun Xie, Liang Peng, Hongjun Yang, Zhen-Liang Ni, Guan'an Wang, Yan-Jie Zhou, Sheng Chen, Zhijie Fang, Shuyun Huang, Zeng-Guang Hou
• Abstract要約: 軽度認知障害(mci)の診断はアルツハイマー病(ad)の予防に有効な手段であると考えられている 人間の要因の影響を排除し、より高い精度を得るには、ロボット診断システムを開発する必要があります。 本研究では、Amnestic MCI(aMCI)診断のためのグループ特徴領域逆ニューラルネットワーク(GF-DANN)を提案する。
• 参考スコア（独自算出の注目度）: 25.029697750437094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical diagnostic robot systems have been paid more and more attention due to its objectivity and accuracy. The diagnosis of mild cognitive impairment (MCI) is considered an effective means to prevent Alzheimer's disease (AD). Doctors diagnose MCI based on various clinical examinations, which are expensive and the diagnosis results rely on the knowledge of doctors. Therefore, it is necessary to develop a robot diagnostic system to eliminate the influence of human factors and obtain a higher accuracy rate. In this paper, we propose a novel Group Feature Domain Adversarial Neural Network (GF-DANN) for amnestic MCI (aMCI) diagnosis, which involves two important modules. A Group Feature Extraction (GFE) module is proposed to reduce individual differences by learning group-level features through adversarial learning. A Dual Branch Domain Adaptation (DBDA) module is carefully designed to reduce the distribution difference between the source and target domain in a domain adaption way. On three types of data set, GF-DANN achieves the best accuracy compared with classic machine learning and deep learning methods. On the DMS data set, GF-DANN has obtained an accuracy rate of 89.47%, and the sensitivity and specificity are 90% and 89%. In addition, by comparing three EEG data collection paradigms, our results demonstrate that the DMS paradigm has the potential to build an aMCI diagnose robot system.
• Abstract（参考訳）: 医療診断ロボットシステムは、その客観性と精度から、ますます注目されている。 軽度認知障害(MCI)の診断はアルツハイマー病(AD)の予防に有効な方法と考えられている。 医師は様々な臨床検査に基づいてMCIを診断し、診断結果は医師の知識に依存している。 したがって、人的要因の影響を排除し、高い精度を得るためのロボット診断システムを開発する必要がある。 本稿では,2つの重要なモジュールを含むアムネティックMCI (aMCI) 診断のための新しいグループ特徴領域逆ニューラルネットワーク (GF-DANN) を提案する。 グループ特徴抽出(GFE)モジュールは、対向学習を通じてグループレベルの特徴を学習することで個人差を低減する。 デュアルブランチドメイン適応(DBDA)モジュールは、ソースとターゲットドメイン間の分散差をドメイン適応方式で低減するように慎重に設計されている。 3種類のデータセットに対して、GF-DANNは古典的な機械学習やディープラーニングと比較して最も精度が高い。 DMSデータセットでは、GF-DANNの精度は89.47%であり、感度と特異性は90%と89%である。 さらに,3つの脳波データ収集パラダイムを比較することで,dmsパラダイムがamci診断ロボットシステムを構築する可能性を証明した。

関連論文リスト

• MINDSETS: Multi-omics Integration with Neuroimaging for Dementia Subtyping and Effective Temporal Study [0.7751705157998379]
  アルツハイマー病(AD)と血管性認知症(VaD)は最も多い認知症である。 本稿では、ADとVaDを正確に区別する革新的なマルチオミクス手法を提案し、89.25%の精度で診断を行う。
  論文  参考訳（メタデータ） (2024-11-06T10:13:28Z)
• MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
  近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。 Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。 我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-16T23:03:27Z)
• Toward Robust Early Detection of Alzheimer's Disease via an Integrated Multimodal Learning Approach [5.9091823080038814]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、記憶障害、執行機能障害、性格変化を特徴とする複雑な神経変性疾患である。 本研究では,臨床,認知,神経画像,脳波データを統合した高度なマルチモーダル分類モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:26:00Z)
• Augmentation-based Unsupervised Cross-Domain Functional MRI Adaptation for Major Depressive Disorder Identification [23.639488571585044]
  メジャー・うつ病(Major depressive disorder、MDD)は、一般的に人の気分、認知、行動、身体的健康に影響を及ぼす一般的な精神障害である。 本研究では,MDDの自動診断のための拡張型非教師付きクロスドメインfMRI適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-31T13:55:33Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
  音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。 専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。 本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
  論文  参考訳（メタデータ） (2022-06-28T05:09:01Z)
• An explainable two-dimensional single model deep learning approach for Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
  本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。 提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。 実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2021-07-28T07:19:00Z)
• Unsupervised Domain Adaptation for Dysarthric Speech Detection via Domain Adversarial Training and Mutual Information Minimization [52.82138296332476]
  本稿では,非教師付き領域適応問題として,クロスドメイン・ディザスリック音声検出(DSD)を定式化するための最初の試みを行う。 DPC, DAT, 相互情報最小化(MIM)を含むマルチタスク学習戦略を提案する。 実験の結果, 発話レベルの重み付き平均リコールと話者レベルの精度では, それぞれ22.2%, 20.0%の絶対的な増加が得られた。
  論文  参考訳（メタデータ） (2021-06-18T13:34:36Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Deep Convolutional Neural Network based Classification of Alzheimer's Disease using MRI data [8.609787905151563]
  アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。 本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。 このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
  論文  参考訳（メタデータ） (2021-01-08T06:51:08Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。