Fugu-MT 論文翻訳(概要): Multi-View Spatial-Temporal Graph Convolutional Networks with Domain Generalization for Sleep Stage Classification

論文の概要: Multi-View Spatial-Temporal Graph Convolutional Networks with Domain Generalization for Sleep Stage Classification

arxiv url: http://arxiv.org/abs/2109.01824v1
Date: Sat, 4 Sep 2021 09:19:27 GMT
ステータス: 処理完了
システム内更新日: 2021-09-07 17:02:39.572717
Title: Multi-View Spatial-Temporal Graph Convolutional Networks with Domain Generalization for Sleep Stage Classification
Title（参考訳）: 睡眠段階分類のための領域一般化型多視点空間時間グラフ畳み込みネットワーク
Authors: Ziyu Jia, Youfang Lin, Jing Wang, Xiaojun Ning, Yuanlai He, Ronghao Zhou, Yuhan Zhou, Li-wei H. Lehman
Abstract要約: 睡眠段階分類のための領域一般化を伴う多視点時空間グラフ畳み込みネットワーク(MSTGCN)を提案する。 MSTGCNは、空間的特徴を抽出するためのグラフ畳み込みと、睡眠段階間の遷移規則をキャプチャするための時間畳み込みからなる。 2つの公開データセットの実験では、提案されたモデルが最先端のベースラインより優れていることが示されている。
参考スコア（独自算出の注目度）: 12.488891852531422
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Sleep stage classification is essential for sleep assessment and disease diagnosis. Although previous attempts to classify sleep stages have achieved high classification performance, several challenges remain open: 1) How to effectively utilize time-varying spatial and temporal features from multi-channel brain signals remains challenging. Prior works have not been able to fully utilize the spatial topological information among brain regions. 2) Due to the many differences found in individual biological signals, how to overcome the differences of subjects and improve the generalization of deep neural networks is important. 3) Most deep learning methods ignore the interpretability of the model to the brain. To address the above challenges, we propose a multi-view spatial-temporal graph convolutional networks (MSTGCN) with domain generalization for sleep stage classification. Specifically, we construct two brain view graphs for MSTGCN based on the functional connectivity and physical distance proximity of the brain regions. The MSTGCN consists of graph convolutions for extracting spatial features and temporal convolutions for capturing the transition rules among sleep stages. In addition, attention mechanism is employed for capturing the most relevant spatial-temporal information for sleep stage classification. Finally, domain generalization and MSTGCN are integrated into a unified framework to extract subject-invariant sleep features. Experiments on two public datasets demonstrate that the proposed model outperforms the state-of-the-art baselines.
Abstract（参考訳）: 睡眠ステージ分類は睡眠アセスメントと疾患診断に必須である。これまでの睡眠段階の分類の試みは高い分類性能を達成しているが, 1) 多チャンネル脳信号からの時間的空間的特徴と時間的特徴を効果的に活用する方法はいまだに困難である。以前の研究では、脳領域間の空間的トポロジー情報を十分に活用できなかった。 2) 個々の生体信号にみられる多くの差異から, 被験者の違いを克服し, ディープニューラルネットワークの一般化を改善する方法が重要である。 3) 多くの深層学習法は, モデルの脳への解釈性を無視している。以上の課題に対処するために、睡眠段階分類のための領域一般化を伴うマルチビュー時空間グラフ畳み込みネットワーク(MSTGCN)を提案する。具体的には,脳領域の機能的接続と物理的距離近接に基づいて,mstgcnのための2つの脳ビューグラフを構築した。 MSTGCNは、空間的特徴を抽出するためのグラフ畳み込みと、睡眠段階間の遷移規則をキャプチャするための時間畳み込みからなる。また、睡眠段階分類において最も関連性の高い時空間情報を取得するために注意機構を用いる。最後に、ドメイン一般化とMSTGCNを統合フレームワークに統合し、主観的不変な睡眠特徴を抽出する。 2つの公開データセットの実験は、提案されたモデルが最先端のベースラインより優れていることを示している。

関連論文リスト

Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
HDGL: A hierarchical dynamic graph representation learning model for brain disorder classification [1.7495515703051119]
上記の課題に対処するために設計された最初のモデルである階層型動的グラフ表現学習(HDGL)モデルを提案する。 ABIDEおよびADHD-200データセットを用いて提案モデルの性能を評価する。
論文参考訳（メタデータ） (2023-11-06T06:29:23Z)
DepWiGNN: A Depth-wise Graph Neural Network for Multi-hop Spatial Reasoning in Text [52.699307699505646]
マルチホップ空間推論のためのDepWiGNN(Depth-Wise Graph Neural Network)を提案する。具体的には,新しいノードメモリ方式を設計し,グラフの幅次元ではなく深さ次元の情報を集約する。 2つの挑戦的なマルチホップ空間推論データセットの実験結果から,DepWiGNNが既存の空間推論手法より優れていることが示された。
論文参考訳（メタデータ） (2023-10-19T08:07:22Z)
Language Knowledge-Assisted Representation Learning for Skeleton-Based Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。 LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文参考訳（メタデータ） (2023-05-21T08:29:16Z)
DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
論文参考訳（メタデータ） (2023-01-26T20:45:30Z)
ProductGraphSleepNet: Sleep Staging using Product Spatio-Temporal Graph Learning with Attentive Temporal Aggregation [4.014524824655106]
本研究では,協調時間グラフ学習のための適応型製品グラフ学習型グラフ畳み込みネットワークProductGraphSleepNetを提案する。提案したネットワークにより、臨床医は学習した睡眠段階の接続グラフを理解し、解釈することができる。
論文参考訳（メタデータ） (2022-12-09T14:34:58Z)
SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive Learning [0.0]
本研究では,1)特徴ピラミッドを組み込んだ深層学習フレームワークSleePyCoと,2)自動睡眠スコアリングのための教師付きコントラスト学習を提案する。特徴ピラミッドでは,異なる時間・周波数スケールで複数の特徴系列を検討するために,SleePyCo-backboneと呼ばれるバックボーンネットワークを提案する。教師付きコントラスト学習により、クラス内特徴間の距離を最小化し、クラス間特徴間の距離を最大化することにより、クラス識別特徴を抽出することができる。
論文参考訳（メタデータ） (2022-09-20T04:10:49Z)
Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文参考訳（メタデータ） (2021-12-23T12:17:47Z)
Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
論文参考訳（メタデータ） (2021-09-19T14:22:55Z)
Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文参考訳（メタデータ） (2021-04-15T14:32:12Z)
Convolutional Neural Networks for cytoarchitectonic brain mapping at large scale [0.33727511459109777]
今回我々は,ヒト後脳の多数の細胞体染色組織における細胞構造学的領域をマッピングするための新しいワークフローを提案する。これはDeep Convolutional Neural Network (CNN)に基づいており、アノテーション付きの一対のセクションイメージに基づいてトレーニングされており、その間に多数の注釈のないセクションがある。新しいワークフローは、セクションの3D再構成を必要とせず、組織学的アーティファクトに対して堅牢である。
論文参考訳（メタデータ） (2020-11-25T16:25:13Z)

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。