論文の概要: An Explainable Geometric-Weighted Graph Attention Network for Identifying Functional Networks Associated with Gait Impairment

• arxiv url: http://arxiv.org/abs/2307.13108v1
• Date: Mon, 24 Jul 2023 19:57:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 19:03:47.451521
• Title: An Explainable Geometric-Weighted Graph Attention Network for Identifying Functional Networks Associated with Gait Impairment
• Title（参考訳）: 歩行障害に関連する機能的ネットワーク同定のための幾何学的重み付けグラフ注意ネットワーク
• Authors: Favour Nerrise (1), Qingyu Zhao (2), Kathleen L. Poston (3), Kilian M. Pohl (2), Ehsan Adeli (2) ((1) Department of Electrical Engineering, Stanford University, Stanford, CA, USA, (2) Dept. of Psychiatry and Behavioral Sciences, Stanford University, Stanford, CA, USA, (3) Dept. of Neurology and Neurological Sciences, Stanford University, Stanford, CA, USA)
• Abstract要約: パーキンソン病(PD)の徴候の1つは、後部反射の進行性消失である。 歩行障害に伴う脳機能障害の特定は、PD運動の進行をよりよく理解するために重要である。 本稿では,歩行障害の進行を予測した機能的ネットワークを特定するための,説明可能な,幾何学的,重み付けされた注目型ニューラルネットワーク(xGW-GAT)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: One of the hallmark symptoms of Parkinson's Disease (PD) is the progressive loss of postural reflexes, which eventually leads to gait difficulties and balance problems. Identifying disruptions in brain function associated with gait impairment could be crucial in better understanding PD motor progression, thus advancing the development of more effective and personalized therapeutics. In this work, we present an explainable, geometric, weighted-graph attention neural network (xGW-GAT) to identify functional networks predictive of the progression of gait difficulties in individuals with PD. xGW-GAT predicts the multi-class gait impairment on the MDS Unified PD Rating Scale (MDS-UPDRS). Our computational- and data-efficient model represents functional connectomes as symmetric positive definite (SPD) matrices on a Riemannian manifold to explicitly encode pairwise interactions of entire connectomes, based on which we learn an attention mask yielding individual- and group-level explainability. Applied to our resting-state functional MRI (rs-fMRI) dataset of individuals with PD, xGW-GAT identifies functional connectivity patterns associated with gait impairment in PD and offers interpretable explanations of functional subnetworks associated with motor impairment. Our model successfully outperforms several existing methods while simultaneously revealing clinically-relevant connectivity patterns. The source code is available at https://github.com/favour-nerrise/xGW-GAT .
• Abstract（参考訳）: パーキンソン病(PD)の徴候の1つは、姿勢反射の進行的な消失であり、最終的には歩行困難とバランスの問題を引き起こす。 歩行障害に伴う脳機能障害の同定は、pd運動の進行の理解を深める上で不可欠であり、それによってより効果的でパーソナライズされた治療法の開発が進められる。 本研究では,MDS統一PDレーティング尺度(MDS-UPDRS)において,PD患者の歩行障害の進行を予測した機能的ネットワークを特定するための,説明可能な,幾何学的,重み付けされた注目ニューラルネットワーク(xGW-GAT)を提案する。 我々の計算とデータ効率のモデルでは、関数コネクトームをリーマン多様体上の対称正定値(SPD)行列として表現し、コネクトーム全体の対相互作用を明示的にエンコードする。 pdを有する個人の安静時機能mri(rs-fmri)データセットに適用し、xgw-gatはpdにおける歩行障害に関連する機能的接続パターンを特定し、運動障害に関連する機能的サブネットワークの解釈可能な説明を提供する。 本モデルは,臨床関連接続パターンを同時に明らかにしつつ,いくつかの既存手法より優れている。 ソースコードはhttps://github.com/favour-nerrise/xGW-GAT で公開されている。

関連論文リスト

• GAMMA-PD: Graph-based Analysis of Multi-Modal Motor Impairment Assessments in Parkinson's Disease [9.69595196614787]
  本稿では,多モード臨床データ解析のための新しいヘテロジニアスハイパーグラフ融合フレームワークであるGAMA-PDを提案する。 GAMMA-PDは、高次情報を保存することにより、画像と非画像データを"ハイパーネットワーク"(患者集団グラフ)に統合する。 パーキンソン病における運動障害症状の予測に有意な改善が認められた。
  論文  参考訳（メタデータ） (2024-10-01T15:51:33Z)
• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Capturing functional connectomics using Riemannian partial least squares [0.0]
  神経疾患や疾患では、ヒトの脳の機能的および解剖学的コネクトームは、介入や治療戦略をよりよく知るために用いられる。 機能接続を解析するための1つのアプローチは、高次元の予測データのために設計された多変量回帰手法である、部分最小二乗法(PLS)を用いることである。
  論文  参考訳（メタデータ） (2023-06-30T02:24:34Z)
• Fusing Structural and Functional Connectivities using Disentangled VAE for Detecting MCI [9.916963496386089]
  階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。 公的なアルツハイマー病神経画像イニシアチブデータベース上で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-06-16T05:22:25Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Learning Multitask Gaussian Bayesian Networks [11.745963019193955]
  大うつ病(Major depressive disorder、MDD)は、脳の機能的接続変化の研究を必要とする。 fMRIスキャンで収集されたデータの量は、個々の分析に十分な情報を与えるにはあまりにも限られている。 本稿では,MDD患者に対する個別の病原性変化を識別できるマルチタスク・ガウス・ベイズネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-11T08:38:00Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。