論文の概要: BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph
Diffusion Learning
- arxiv url: http://arxiv.org/abs/2306.13101v1
- Date: Thu, 15 Jun 2023 08:29:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-02 13:54:19.684423
- Title: BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph
Diffusion Learning
- Title(参考訳): BrainNet:階層グラフ拡散学習によるSEEGからの懐疑波検出
- Authors: Junru Chen, Yang Yang, Tao Yu, Yingying Fan, Xiaolong Mo, Carl Yang
- Abstract要約: 実世界のSEEGデータセットにおけるてんかん性波を検出するための,最初のデータ駆動型研究を提案する。
臨床的には、てんかん波の活動は脳の異なる領域間で伝播していると考えられている。
各患者に対して正確なてんかん原性ネットワークをどうやって抽出するかという問題は、神経科学の分野では未解決の問題のままである。
- 参考スコア(独自算出の注目度): 21.689503325383253
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Epilepsy is one of the most serious neurological diseases, affecting 1-2% of
the world's population. The diagnosis of epilepsy depends heavily on the
recognition of epileptic waves, i.e., disordered electrical brainwave activity
in the patient's brain. Existing works have begun to employ machine learning
models to detect epileptic waves via cortical electroencephalogram (EEG).
However, the recently developed stereoelectrocorticography (SEEG) method
provides information in stereo that is more precise than conventional EEG, and
has been broadly applied in clinical practice. Therefore, we propose the first
data-driven study to detect epileptic waves in a real-world SEEG dataset. While
offering new opportunities, SEEG also poses several challenges. In clinical
practice, epileptic wave activities are considered to propagate between
different regions in the brain. These propagation paths, also known as the
epileptogenic network, are deemed to be a key factor in the context of epilepsy
surgery. However, the question of how to extract an exact epileptogenic network
for each patient remains an open problem in the field of neuroscience. To
address these challenges, we propose a novel model (BrainNet) that jointly
learns the dynamic diffusion graphs and models the brain wave diffusion
patterns. In addition, our model effectively aids in resisting label imbalance
and severe noise by employing several self-supervised learning tasks and a
hierarchical framework. By experimenting with the extensive real SEEG dataset
obtained from multiple patients, we find that BrainNet outperforms several
latest state-of-the-art baselines derived from time-series analysis.
- Abstract(参考訳): てんかんは最も深刻な神経疾患の一つであり、世界の人口の1-2%に影響を及ぼす。
てんかんの診断は、てんかん波、すなわち患者の脳における電気的脳波活動の異常を認識することに大きく依存する。
既存の研究は、皮質脳波(EEG)を介しててんかん波を検出する機械学習モデルを用いている。
しかし、最近開発されたSEEG法は、従来の脳波よりも高精度なステレオ情報を提供し、臨床応用に広く応用されている。
そこで本研究では,実世界のseegデータセットにおけるてんかん波を検出する最初のデータ駆動研究を提案する。
新しい機会を提供する一方で、SEEGはいくつかの課題も抱えている。
臨床において、てんかん波の活動は脳内の異なる領域の間で伝播すると考えられている。
これらの伝播経路はてんかん原性ネットワークとしても知られ、てんかん手術の文脈において重要な要素であると考えられている。
しかし、神経科学の分野では、各患者に正確なてんかん原性ネットワークをいかに取り出すかという問題は未解決のままである。
これらの課題に対処するために、動的拡散グラフを共同で学習し、脳波拡散パターンをモデル化する新しいモデル(BrainNet)を提案する。
さらに,複数の自己教師付き学習タスクと階層的枠組みを用いることで,ラベルの不均衡や重騒音に対する効果的抵抗を支援する。
複数の患者から得られた広範囲の実検体データセットを実験した結果,brainnetは時系列解析から得られた最新技術ベースラインを上回っていることがわかった。
関連論文リスト
- Personalized identification, prediction, and stimulation of neural
oscillations via data-driven models of epileptic network dynamics [0.0]
脳波データから直接ててんかん性ネットワークダイナミクスの予測モデルを抽出するフレームワークを開発する。
本研究では,周期運転下での脳ネットワーク力学モデル間の直接対応を構築することができることを示す。
このことは、周期的な脳刺激がてんかん性ネットワークの病態状態を正常な機能的脳状態へと導くことを示唆している。
論文 参考訳(メタデータ) (2023-10-20T13:21:31Z) - 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) - 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) - MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type
Classification Using EEG [2.1915057426589746]
てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。
本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。
MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
論文 参考訳(メタデータ) (2022-11-09T01:07:20Z) - 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) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - Automated Detection of Abnormal EEGs in Epilepsy With a Compact and
Efficient CNN Model [9.152759278163954]
本稿では,脳波の異常時間間隔と電極を検出するための,コンパクトで効率的な畳み込みニューラルネットワーク(CNN)の開発について述べる。
EEGNetとは異なり、提案モデルであるmEEGNetは同じ数の電極入力と出力を持ち、異常を検出する。
その結果、mEEGNetは、曲線下における異常脳波、F1値、および既存のCNNと同等以上の感度を検出できた。
論文 参考訳(メタデータ) (2021-05-21T16:52:56Z) - Patient-Specific Seizure Prediction Using Single Seizure
Electroencephalography Recording [16.395309518579914]
本稿では、ウェーブレット変換されたEEGテンソルを畳み込みニューラルネットワーク(CNN)をベースネットワークとし、脳波の変化点を検出するシームズニューラルネットワークに基づく発作予測手法を提案する。
本手法では, 発作予知に複数の発作を応用したモデルに比較して, 10分未満の先天的および間天的データに翻訳する訓練に1回の発作しか必要としない。
論文 参考訳(メタデータ) (2020-11-14T03:45:17Z) - A Novel Transferability Attention Neural Network Model for EEG Emotion
Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。
TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。
これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文 参考訳(メタデータ) (2020-09-21T02:42:30Z) - 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。