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

• From Epilepsy Seizures Classification to Detection: A Deep Learning-based Approach for Raw EEG Signals [0.8182812460605992]
  側頭葉てんかんの3分の1は薬剤耐性を示す。 抗敗血症薬開発の鍵となるのはてんかん発作の検出と定量化である。 本研究では,脳波信号に適用した深層学習モデルに基づく発作検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-10-04T12:52:37Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• EEGDiR: Electroencephalogram denoising network for temporal information storage and global modeling through Retentive Network [11.491355463353731]
  我々はRetnetを自然言語処理から脳波分解まで導入する。 Retnetの脳波への直接的適用は脳波信号の1次元の性質のため不可能である。 本稿では,1次元の脳波信号を2次元に変換してネットワーク入力として用いる信号埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2024-03-20T15:04:21Z)
• 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)
• 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)
• 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)
• 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。