論文の概要: Depression Diagnosis and Drug Response Prediction via Recurrent Neural
Networks and Transformers Utilizing EEG Signals
- arxiv url: http://arxiv.org/abs/2303.06033v1
- Date: Thu, 9 Mar 2023 09:15:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 14:25:43.796959
- Title: Depression Diagnosis and Drug Response Prediction via Recurrent Neural
Networks and Transformers Utilizing EEG Signals
- Title（参考訳）: 脳波信号を用いたニューラルネットワークとトランスフォーマによるうつ病診断と薬物応答予測
- Authors: Abdolkarim Saeedi, Arash Maghsoudi, Fereidoun Nowshiravan Rahatabad
- Abstract要約: うつ病は最も一般的な精神疾患の1つであるが、研究と臨床の両方ではまだ理解されていない。
脳波信号を用いたMDD患者の大うつ病(MDD)診断法と薬物応答予測法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Early diagnosis and treatment of depression is essential for effective
treatment. Depression, while being one of the most common mental illnesses, is
still poorly understood in both research and clinical practice. Among different
treatments, drug prescription is widely used, however the drug treatment is not
effective for many patients. In this work, we propose a method for major
depressive disorder (MDD) diagnosis as well as a method for predicting the drug
response in patient with MDD using EEG signals. Method: We employ transformers,
which are modified recursive neural networks with novel architecture to
evaluate the time dependency of time series effectively. We also compare the
model to the well-known deep learning schemes such as CNN, LSTM and CNN-LSTM.
Results: The transformer achieves an average recall of 99.41% and accuracy of
97.14% for classifying normal and MDD subjects. Furthermore, the transformer
also performed well in classifying responders and non-responders to the drug,
resulting in 97.01% accuracy and 97.76% Recall. Conclusion: Outperforming other
methods on a similar number of parameters, the suggested technique, as a
screening tool, seems to have the potential to assist health care professionals
in assessing MDD patients for early diagnosis and treatment. Significance:
Analyzing EEG signal analysis using transformers, which have replaced the
recursive models as a new structure to examine the time dependence of time
series, is the main novelty of this research.
- Abstract（参考訳）: うつ病の早期診断と治療は効果的な治療に不可欠である。
うつ病は最も一般的な精神疾患の1つであるが、研究と臨床の両方ではまだ理解されていない。
様々な治療において、処方薬は広く用いられているが、多くの患者には有効ではない。
本研究では,大うつ病(MDD)の診断法と,脳波信号を用いたMDD患者の薬物応答の予測法を提案する。
方法: 時系列の時間依存性を効果的に評価するために,新しいアーキテクチャを持つ再帰的ニューラルネットワークを改良したトランスフォーマーを用いる。
また,このモデルを,CNN,LSTM,CNN-LSTMなどのよく知られたディープラーニング手法と比較する。
結果: 変圧器は平均99.41%のリコールと97.14%の精度で正常とmddを分類できる。
さらに、トランスフォーマーは反応剤や非応答薬の分類にも優れ、97.01%の精度と97.76%のリコールが得られた。
結論: 同様のパラメータの他の手法よりも, スクリーニングツールとして, 早期診断および治療のためのMDD患者の評価において, 医療専門家を支援する可能性が示唆された。
意義: 時系列の時間依存性を調べるために再帰的モデルを新しい構造に置き換えたトランスフォーマーを用いた脳波信号解析が本研究の主な新規性である。
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) - Assessing ML Classification Algorithms and NLP Techniques for Depression Detection: An Experimental Case Study [0.6524460254566905]
うつ病は世界中で何百万人もの人々に影響を与えており、最も一般的な精神疾患の1つとなっている。
近年の研究では、機械学習(ML)と自然言語処理(NLP)のツールや技術がうつ病の診断に広く用いられていることが証明されている。
しかし, 外傷後ストレス障害 (PTSD) などの他の症状が存在するうつ病検出アプローチの評価には, 依然としていくつかの課題がある。
論文 参考訳（メタデータ） (2024-04-03T19:45:40Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Parkinsons Disease Detection via Resting-State Electroencephalography
Using Signal Processing and Machine Learning Techniques [0.0]
パーキンソン病(英: Parkinsons Disease、PD)は、ドーパミン作動性ニューロンの変性により運動障害を引き起こす神経変性疾患である。
脳波はPD患者の異常を示す。
1つの大きな課題は、治療薬や治療薬で病気を綿密に監視するために、PDのための一貫性のある、正確で、体系的なバイオマーカーが欠如していることである。
論文 参考訳（メタデータ） (2023-03-29T06:03:05Z) - Automatic lesion analysis for increased efficiency in outcome prediction
of traumatic brain injury [12.651451007914124]
本研究は, 日常的に取得した病院入所CTスキャンから抽出したバイオマーカーの予測力について検討した。
我々は,TBI結果予測モデルの拡張のための入力として,病変量とそれに対応する病変統計を用いた。
自動的に抽出された定量的CT特徴は、不利なTBI結果を予測する際にマーシャルスコアと同等かそれ以上に機能することがわかった。
論文 参考訳（メタデータ） (2022-08-08T13:18:35Z) - Early Disease Stage Characterization in Parkinson's Disease from
Resting-state fMRI Data Using a Long Short-term Memory Network [6.487961959149217]
パーキンソン病(英: Parkinson's disease、PD)は、ホーン病とイェール病の5段階からなる、一般的で複雑な神経変性疾患である。
早期の第1期と第2期を分類し、脳機能の変化を検出することは困難である。
本稿では,PDの初期段階を特徴付けるために,LSTM(Long Short-term memory)ネットワークを提案する。
論文 参考訳（メタデータ） (2022-02-11T18:34:11Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Learning-based Computer-aided Prescription Model for Parkinson's
Disease: A Data-driven Perspective [61.70045118068213]
我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。
そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。
新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
論文 参考訳（メタデータ） (2020-07-31T14:34:35Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-06T13:03:42Z) - 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。