Fugu-MT 論文翻訳(概要): Finding neural signatures for obesity through feature selection on source-localized EEG

論文の概要: Finding neural signatures for obesity through feature selection on source-localized EEG

arxiv url: http://arxiv.org/abs/2208.14007v3
Date: Thu, 22 Jun 2023 03:14:34 GMT
ステータス: 処理完了
システム内更新日: 2023-06-23 18:13:52.816672
Title: Finding neural signatures for obesity through feature selection on source-localized EEG
Title（参考訳）: ソース局在脳波の特徴選択による肥満の神経シグナルの探索
Authors: Yuan Yue, Dirk De Ridder, Patrick Manning, Samantha Ross, Jeremiah D. Deng
Abstract要約: 脳波データから得られるアルファバンド機能接続機能を用いて、肥満女性の脳ネットワークを識別する新しい機械学習モデルを開発した。本研究は, 肥満脳の特徴として, 自己参照情報や環境コンテキスト情報を処理する領域に障害が生じていることが示唆された。
参考スコア（独自算出の注目度）: 0.8399688944263843
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Obesity is a serious issue in the modern society and is often associated to significantly reduced quality of life. Current research conducted to explore obesity-related neurological evidences using electroencephalography (EEG) data are limited to traditional approaches. In this study, we developed a novel machine learning model to identify brain networks of obese females using alpha band functional connectivity features derived from EEG data. An overall classification accuracy of 0.937 is achieved. Our finding suggests that the obese brain is characterized by a dysfunctional network in which the areas that responsible for processing self-referential information and environmental context information are impaired.
Abstract（参考訳）: 肥満は現代社会において深刻な問題であり、生活の質を著しく低下させることがしばしばある。脳波(EEG)データを用いた肥満関連神経学的証拠の探索は,従来のアプローチに限られている。本研究では,脳波データから得られるアルファバンド機能接続機能を用いて,肥満女性の脳ネットワークを同定する機械学習モデルを開発した。全体の分類精度は0.937である。以上の結果から, 肥満脳の特徴は, 自己参照情報や環境情報を処理する領域が障害となる機能不全ネットワークであることが示唆された。

関連論文リスト

Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
論文参考訳（メタデータ） (2024-05-29T17:07:33Z)
Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
論文参考訳（メタデータ） (2023-07-20T13:34:11Z)
Explainable AI and Machine Learning Towards Human Gait Deterioration Analysis [0.0]
歩行データを客観的に分析し,臨床関連バイオマーカーと所見を関連づける。 physioNet.orgデータセット毎の98% F1 sc の分類精度と、組み合わせたphysioNetデータセットの95.5% F1スコアを達成する。
論文参考訳（メタデータ） (2023-06-12T14:53:00Z)
Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文参考訳（メタデータ） (2023-02-23T09:22:05Z)
Variational Autoencoder Learns Better Feature Representations for EEG-based Obesity Classification [0.8399688944263843]
肥満に関連する神経学的特徴を明らかにすることを目的として,脳波の静止状態(脳波)を調査する研究が進められている。肥満とリーンの被験者分類のために,脳波の特徴を抽出する深層学習に基づくフレームワークを提案する。
論文参考訳（メタデータ） (2023-02-01T22:48:45Z)
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)
SUMO: Advanced sleep spindle identification with neural networks [0.0]
睡眠時スピンドルを自動的に検出するU-Net型ディープニューラルネットワークモデルを提案する。我々のモデルの性能は、最先端の検出器とMODAデータセットのほとんどの専門家を上回る。
論文参考訳（メタデータ） (2022-02-06T11:35:47Z)
Handling Non-ignorably Missing Features in Electronic Health Records Data Using Importance-Weighted Autoencoders [8.518166245293703]
本稿では,生体データのランダムなパターンではなく,欠落を柔軟に扱うために,重要度重み付きオートエンコーダ(iwaes)と呼ばれるvaesの新たな拡張を提案する。提案手法は,組み込みニューラルネットワークを用いて欠落機構をモデル化し,欠落機構の正確な形式を事前に指定する必要をなくした。
論文参考訳（メタデータ） (2021-01-18T22:53:29Z)
Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文参考訳（メタデータ） (2021-01-18T13:28:08Z)
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)
Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
論文参考訳（メタデータ） (2020-07-13T20:05:19Z)

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。