論文の概要: Major Depressive Disorder Recognition and Cognitive Analysis Based on
Multi-layer Brain Functional Connectivity Networks
- arxiv url: http://arxiv.org/abs/2111.01351v1
- Date: Tue, 2 Nov 2021 03:24:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-03 21:24:39.220955
- Title: Major Depressive Disorder Recognition and Cognitive Analysis Based on
Multi-layer Brain Functional Connectivity Networks
- Title(参考訳): 多層脳機能結合ネットワークに基づく大うつ病の認識と認知分析
- Authors: Xiaofang Sun, Xiangwei Zheng, Yonghui Xu, Lizhen Cui and Bin Hu
- Abstract要約: 本稿では,大うつ病に対する多層脳機能接続ネットワーク(MBFCN)に基づく認識手法を提案する。
MBFCNに基づく認知分析では、Alpha-Beta1周波数帯域がMDDを認識するための重要なサブバンドであることがわかった。
うつ病の特徴とPHQ-9の意義分析による潜在的なバイオマーカーを見いだすことができる。
- 参考スコア(独自算出の注目度): 11.771957055475601
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: On the increase of major depressive disorders (MDD), many researchers paid
attention to their recognition and treatment. Existing MDD recognition
algorithms always use a single time-frequency domain method method, but the
single time-frequency domain method is too simple and is not conducive to
simulating the complex link relationship between brain functions. To solve this
problem, this paper proposes a recognition method based on multi-layer brain
functional connectivity networks (MBFCN) for major depressive disorder and
conducts cognitive analysis. Cognitive analysis based on the proposed MBFCN
finds that the Alpha-Beta1 frequency band is the key sub-band for recognizing
MDD. The connections between the right prefrontal lobe and the temporal lobe of
the extremely depressed disorders (EDD) are deficient in the brain functional
connectivity networks (BFCN) based on phase lag index (PLI). Furthermore,
potential biomarkers by the significance analysis of depression features and
PHQ-9 can be found.
- Abstract(参考訳): 大うつ病(MDD)の増加について、多くの研究者が認識と治療に注意を払っている。
既存のMDD認識アルゴリズムは、常に単一の時間周波数領域法を用いるが、単一の時間周波数領域法は単純すぎるため、脳機能間の複雑なリンク関係をシミュレートすることができない。
そこで本研究では,大うつ病に対する多層脳機能接続ネットワーク(MBFCN)に基づく認識手法を提案し,認知分析を行う。
提案するmbfcnに基づく認知分析により、α-β1周波数帯がmddを認識するための鍵サブバンドであることが判明した。
高度うつ病(EDD)の右前頭前葉と側頭葉の接続は、位相ラグ指数(PLI)に基づく脳機能接続網(BFCN)において不足している。
さらに、うつ病の特徴とPHQ-9の意義分析による潜在的なバイオマーカーも見いだせる。
関連論文リスト
- Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳(メタデータ) (2023-12-16T04:31:51Z) - Extracting the Multiscale Causal Backbone of Brain Dynamics [10.821465726323712]
複数の時間的尺度で個人が共有する脳波のマルチスケール因果バックボーン(MCB)を提案する。
マルチスケールの性質のおかげで、因果ダイナミクスは高レベルの認知機能に関連する脳の領域によって駆動される。
我々のアプローチは、低周波帯域では、因果ダイナミクスは高レベルの認知機能に関連する脳の領域によって駆動されることを示している。
論文 参考訳(メタデータ) (2023-10-31T19:47:11Z) - Multi-resolution Spatiotemporal Enhanced Transformer Denoising with
Functional Diffusive GANs for Constructing Brain Effective Connectivity in
MCI analysis [46.04319515616324]
効果的な接続性は、脳領域間の因果パターンを記述することができる。
これらのパターンは、病態のメカニズムを明らかにし、早期診断と認知疾患に対する効果的な薬物開発を促進する可能性がある。
本稿では,機能的磁気共鳴画像(fMRI)を軽度認知障害(MCI)解析に有効な接続性に変換するために,新しいマルチレゾリューションStemporal Enhanced Transformer Denoising Networkを提案する。
論文 参考訳(メタデータ) (2023-05-18T06:54:56Z) - A Structure-guided Effective and Temporal-lag Connectivity Network for
Revealing Brain Disorder Mechanisms [8.459311736323572]
本研究では,脳領域間の因果関係と時間ラグ値の推測に有効な時間ラグニューラルネットワーク(termedN)を提案する。
アルツハイマー病神経画像イニシアチブ(ADNI)データベースにおける評価結果は,提案手法の有効性を示すものである。
論文 参考訳(メタデータ) (2022-12-01T15:02:22Z) - 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) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳(メタデータ) (2022-09-22T04:17:57Z) - MHATC: Autism Spectrum Disorder identification utilizing multi-head
attention encoder along with temporal consolidation modules [11.344829880346353]
静止状態fMRIは、ネットワークベースの機能接続を用いて自閉症スペクトラム障害(ASD)の診断に一般的に用いられる。
ASD患者として個人を分類するための多面的注意と時間的統合モジュールからなる新しいディープラーニングアーキテクチャ(MHATC)を提案する。
論文 参考訳(メタデータ) (2021-12-27T07:50:16Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳(メタデータ) (2020-07-10T14:01:20Z) - 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) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z)
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。