論文の概要: Balancing Spectral, Temporal and Spatial Information for EEG-based
Alzheimer's Disease Classification
- arxiv url: http://arxiv.org/abs/2402.13523v1
- Date: Wed, 21 Feb 2024 04:36:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 17:10:30.828434
- Title: Balancing Spectral, Temporal and Spatial Information for EEG-based
Alzheimer's Disease Classification
- Title(参考訳): 脳波型アルツハイマー病分類におけるスペクトル・時間・空間情報のバランス
- Authors: Stephan Goerttler, Fei He, Min Wu
- Abstract要約: 我々は,AD分類における各次元の比率を変化させることで,スペクトル情報や時間情報に対する空間情報の重要度を検討する。
空間情報は時間情報よりも一貫して関連しており、スペクトル情報と等しく関連していることがわかった。
- 参考スコア(独自算出の注目度): 10.222706476447831
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prospect of future treatment warrants the development of cost-effective
screening for Alzheimer's disease (AD). A promising candidate in this regard is
electroencephalography (EEG), as it is one of the most economic imaging
modalities. Recent efforts in EEG analysis have shifted towards leveraging
spatial information, employing novel frameworks such as graph signal processing
or graph neural networks. Here, we systematically investigate the importance of
spatial information relative to spectral or temporal information by varying the
proportion of each dimension for AD classification. To do so, we test various
dimension resolution configurations on two routine EEG datasets. We find that
spatial information is consistently more relevant than temporal information and
equally relevant as spectral information. These results emphasise the necessity
to consider spatial information for EEG-based AD classification. On our second
dataset, we further find that well-balanced feature resolutions boost
classification accuracy by up to 1.6%. Our resolution-based feature extraction
has the potential to improve AD classification specifically, and multivariate
signal classification generally.
- Abstract(参考訳): 今後の治療の見通しは、アルツハイマー病(AD)の費用対効果スクリーニングの開発を保証している。
この点において有望な候補は脳波(EEG)であり、最も経済的な画像モダリティの1つである。
脳波分析における最近の取り組みは、グラフ信号処理やグラフニューラルネットワークといった新しいフレームワークを用いて、空間情報の活用へと移行している。
本稿では,AD分類における各次元の比率を変化させることで,スペクトル情報や時間情報に対する空間情報の重要度を体系的に検討する。
そのために、私たちは2つのルーチンeegデータセット上で様々な次元の解像度設定をテストします。
空間情報は時間的情報よりも一貫して関連しており、スペクトル情報として等しく関連している。
これらの結果は,脳波に基づく広告分類において空間情報を考慮する必要性を強調した。
第2のデータセットでは、バランスのとれた特徴解像度が、分類精度を最大1.6%向上させることが分かりました。
我々の解像度に基づく特徴抽出は、AD分類を特に改善する可能性があり、多変量信号分類が一般的である。
関連論文リスト
- Toward Robust Early Detection of Alzheimer's Disease via an Integrated Multimodal Learning Approach [5.9091823080038814]
アルツハイマー病(英: Alzheimer's Disease、AD)は、記憶障害、執行機能障害、性格変化を特徴とする複雑な神経変性疾患である。
本研究では,臨床,認知,神経画像,脳波データを統合した高度なマルチモーダル分類モデルを提案する。
論文 参考訳(メタデータ) (2024-08-29T08:26:00Z) - Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。
本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
論文 参考訳(メタデータ) (2024-08-20T13:11:43Z) - ADformer: A Multi-Granularity Transformer for EEG-Based Alzheimer's Disease Assessment [42.72554952799386]
本稿では、時間的・空間的特徴を捉えて効果的な脳波表現を学習するための新しい多粒度変換器Adformerを提案する。
被験者依存,主観非依存,離脱対象外を含む5つのデータセットを対象に,合計525人の被験者を対象に実験を行った。
以上の結果から,ADformerは既存の手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2024-08-17T14:10:41Z) - Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文 参考訳(メタデータ) (2023-11-10T11:49:49Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T13:43:46Z) - 'Aariz: A Benchmark Dataset for Automatic Cephalometric Landmark
Detection and CVM Stage Classification [0.402058998065435]
このデータセットは、解像度の異なる7つの異なるX線画像装置から得られた1000個の側方脳波ラジオグラフィー(LCR)を含む。
私たちのチームの臨床専門家は、各X線写真に29の頭蓋計測のランドマークを細心の注意で注釈付けしました。
このデータセットは、矯正治療などに使われる信頼性の高い自動ランドマーク検出フレームワークの開発に役立ちます。
論文 参考訳(メタデータ) (2023-02-15T17:31:56Z) - Unsupervised Domain Adaptation for Dysarthric Speech Detection via
Domain Adversarial Training and Mutual Information Minimization [52.82138296332476]
本稿では,非教師付き領域適応問題として,クロスドメイン・ディザスリック音声検出(DSD)を定式化するための最初の試みを行う。
DPC, DAT, 相互情報最小化(MIM)を含むマルチタスク学習戦略を提案する。
実験の結果, 発話レベルの重み付き平均リコールと話者レベルの精度では, それぞれ22.2%, 20.0%の絶対的な増加が得られた。
論文 参考訳(メタデータ) (2021-06-18T13:34:36Z) - Subject Independent Emotion Recognition using EEG Signals Employing
Attention Driven Neural Networks [2.76240219662896]
主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。
タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。
提案手法は、公開データセットを使用して検証されている。
論文 参考訳(メタデータ) (2021-06-07T09:41:15Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - 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) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳(メタデータ) (2020-04-21T17:07:18Z)
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。