論文の概要: Graph Neural Network-based EEG Classification: A Survey

• arxiv url: http://arxiv.org/abs/2310.02152v2
• Date: Wed, 20 Dec 2023 14:30:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 21:50:08.023312
• Title: Graph Neural Network-based EEG Classification: A Survey
• Title（参考訳）: グラフニューラルネットワークに基づく脳波分類:調査
• Authors: Dominik Klepl, Min Wu, Fei He
• Abstract要約: グラフニューラルネットワーク(GNN)は、感情認識などのタスクの脳波の分類にますます使われている。 この話題に関する論文を網羅的に検索し、比較のためのいくつかのカテゴリを導出する。 以上の結果から,脳波分類に対するGNNベースのアプローチの出現傾向を要約した。
• 参考スコア（独自算出の注目度）: 10.683106842552657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNN) are increasingly used to classify EEG for tasks such as emotion recognition, motor imagery and neurological diseases and disorders. A wide range of methods have been proposed to design GNN-based classifiers. Therefore, there is a need for a systematic review and categorisation of these approaches. We exhaustively search the published literature on this topic and derive several categories for comparison. These categories highlight the similarities and differences among the methods. The results suggest a prevalence of spectral graph convolutional layers over spatial. Additionally, we identify standard forms of node features, with the most popular being the raw EEG signal and differential entropy. Our results summarise the emerging trends in GNN-based approaches for EEG classification. Finally, we discuss several promising research directions, such as exploring the potential of transfer learning methods and appropriate modelling of cross-frequency interactions.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、感情認識、運動画像、神経疾患、障害などのタスクにおいて、脳波の分類にますます用いられる。 GNNベースの分類器を設計するための幅広い手法が提案されている。 したがって、これらのアプローチの体系的なレビューと分類が必要である。 我々は本トピックに関する出版文献を徹底的に検索し,比較のためにいくつかのカテゴリを導出する。 これらの分類は、方法の類似点と相違点を強調する。 その結果,空間上のスペクトルグラフ畳み込み層の存在が示唆された。 さらに、ノードの特徴の標準的な形態を特定し、最も人気のあるものは生の脳波信号と差動エントロピーである。 脳波分類のためのGNNベースのアプローチの出現傾向を要約した。 最後に,トランスファー学習手法の可能性や周波数間相互作用の適切なモデリングなど,有望な研究の方向性について考察する。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• GNN4EEG: A Benchmark and Toolkit for Electroencephalography Classification with Graph Neural Network [22.378511778098854]
  我々は,GNNに基づく脳波信号モデリングのための汎用的でユーザフレンドリなツールキットであるGNN4EEGを紹介する。 GNN4EEGは、(i)123人の参加者から収集された脳波データに基づいて、4つの脳波分類タスクで構築された大規模なベンチマークである。 様々な最先端GNNベースのEEG分類モデルに対する使い易い実装。
  論文  参考訳（メタデータ） (2023-09-27T09:31:13Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of Alzheimer's Disease using EEG Data [9.601125513491835]
  本稿では,適応ゲートグラフ畳み込みネットワーク(AGGCN)を提案する。 AGGCNは、畳み込みに基づくノード特徴増強と相関に基づくパワースペクトル密度類似度の尺度を組み合わせることで、グラフ構造を適応的に学習する。
  論文  参考訳（メタデータ） (2023-04-12T14:13:09Z)
• A Comparative Study of Graph Neural Networks for Shape Classification in Neuroimaging [17.775145204666874]
  ニューロイメージングにおける形状分類のための幾何学的深層学習の現状について概説する。 ノード機能としてFPFHを使用することで,GNNの性能が大幅に向上し,アウト・オブ・ディストリビューションデータへの一般化が期待できる。 以上の結果から,アルツハイマー病の分類を応用し,臨床的に有意な課題を確定した。
  論文  参考訳（メタデータ） (2022-10-29T19:03:01Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor Imagery Classification [14.95694356964053]
  対称正定値(SPD)上での脳波信号を特徴付ける幾何学的深層学習フレームワークCSPNetを提案する。 CSPNetは、2つのMI-EEGデータセットのクロスバリデーションとホールドアウトシナリオにおいて、現在の最先端のパフォーマンスを達成またはわずかに上回る。
  論文  参考訳（メタデータ） (2022-02-05T02:52:23Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• EEG-GNN: Graph Neural Networks for Classification of Electroencephalogram (EEG) Signals [20.991468018187362]
  畳み込みニューラルネットワーク(CNN)は脳波(EEG)から主観的不変の特徴を抽出するために頻繁に用いられる。 電極部位の機能的ネットワークに対する2次元グリッド型入力に適用される畳み込みとプーリングの概念を調整することにより、この制限を克服する。 我々は,グラフのノードに電極を投影する様々なグラフニューラルネットワーク(GNN)モデルを開発し,ノードの特徴を試行錯誤時に収集したEEGチャネルのサンプルとして表現し,ノードを重み付き/非重み付きエッジで接続する。
  論文  参考訳（メタデータ） (2021-06-16T21:19:12Z)

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。