論文の概要: Tensor Decomposition of Large-scale Clinical EEGs Reveals Interpretable Patterns of Brain Physiology

• arxiv url: http://arxiv.org/abs/2211.13793v1
• Date: Thu, 24 Nov 2022 20:39:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 18:49:25.780035
• Title: Tensor Decomposition of Large-scale Clinical EEGs Reveals Interpretable Patterns of Brain Physiology
• Title（参考訳）: 大規模臨床脳波のテンソル分解 : 脳生理学の解釈的パターン
• Authors: Teja Gupta, Neeraj Wagh, Samarth Rawal, Brent Berry, Gregory Worrell, Yogatheesan Varatharajah
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.13980986259786218
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Identifying abnormal patterns in electroencephalography (EEG) remains the cornerstone of diagnosing several neurological diseases. The current clinical EEG review process relies heavily on expert visual review, which is unscalable and error-prone. In an effort to augment the expert review process, there is a significant interest in mining population-level EEG patterns using unsupervised approaches. Current approaches rely either on two-dimensional decompositions (e.g., principal and independent component analyses) or deep representation learning (e.g., auto-encoders, self-supervision). However, most approaches do not leverage the natural multi-dimensional structure of EEGs and lack interpretability. In this study, we propose a tensor decomposition approach using the canonical polyadic decomposition to discover a parsimonious set of population-level EEG patterns, retaining the natural multi-dimensional structure of EEGs (time x space x frequency). We then validate their clinical value using a cohort of patients including varying stages of cognitive impairment. Our results show that the discovered patterns reflect physiologically meaningful features and accurately classify the stages of cognitive impairment (healthy vs mild cognitive impairment vs Alzheimer's dementia) with substantially fewer features compared to classical and deep learning-based baselines. We conclude that the decomposition of population-level EEG tensors recovers expert-interpretable EEG patterns that can aid in the study of smaller specialized clinical cohorts.
• Abstract（参考訳）: 脳波検査(EEG)における異常パターンの同定は、いくつかの神経疾患の診断の要点である。 現在の臨床脳波検査のプロセスは専門家による視覚的なレビューに大きく依存している。 専門家レビューのプロセスを強化するために、教師なしアプローチを用いた人口レベルの脳波パターンのマイニングに大きな関心がある。 現在のアプローチは二次元分解(主成分分析や独立成分分析など)や深部表現学習(オートエンコーダ、自己超越など)に依存している。 しかし、ほとんどのアプローチは脳波の自然な多次元構造を利用しず、解釈可能性に欠ける。 本研究では, 正準多進分解を用いたテンソル分解法を提案し, 脳波の自然な多次元構造(時間 x 空間 x 周波数)を保ちながら, 個体群レベルの脳波パターンの並列集合を探索する。 次に,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。 以上の結果から, 認知障害の段階(健康と軽度認知障害とアルツハイマー認知症)を, 古典的・深層学習ベースラインに比べて有意に少ない特徴で正確に分類し, 生理学的に有意義な特徴を反映していることが明らかとなった。 人口レベルの脳波テンソルの分解は、より小さな専門的な臨床コホートの研究に役立つ専門家が解釈可能な脳波パターンを回復する。

関連論文リスト

• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis [1.3416169841532526]
  脳の異常活動パターンの同定における刺激非依存型脳波の有用性を示す。 複数の周波数帯域を組み込んだ一般化モデルでは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付けるのがより効率的である。 本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。
  論文  参考訳（メタデータ） (2022-11-23T00:28:41Z)
• 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)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm [70.50499513259322]
  現在のアーティファクト検出パイプラインはリソース不足であり、手作りの機能に大きく依存している。 高周波脳波アーチファクト検出のためのディープラーニングフレームワークであるE4Gを提案する。 われわれのフレームワークは初期の出口パラダイムを利用して、不確実性を捉えることのできるモデルの暗黙のアンサンブルを構築している。
  論文  参考訳（メタデータ） (2021-07-21T07:05:42Z)
• 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)
• Representation learning for improved interpretability and classification accuracy of clinical factors from EEG [7.323779456638996]
  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。
  論文  参考訳（メタデータ） (2020-10-28T23:21:36Z)
• 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。