論文の概要: Identification of Craving Maps among Marijuana Users via Analysis of
Functional Brain Networks with High-Order Attention Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2403.00033v1
- Date: Mon, 4 Mar 2024 15:00:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 19:25:21.711055
- Title: Identification of Craving Maps among Marijuana Users via Analysis of
Functional Brain Networks with High-Order Attention Graph Neural Networks
- Title（参考訳）: 高次注意グラフニューラルネットワークを用いた機能的脳ネットワーク解析によるマリファナ利用者のクレービングマップの同定
- Authors: Jun-En Ding, Shihao Yang, Anna Zilverstand, and Feng Liu
- Abstract要約: 高用量のマリファナの摂取は、心理的、社会的に大きな影響を及ぼす可能性がある。
本稿では,中毒性マリファナ分類のためのHOB(High-Order Graph Neural Networks)モデルという,解釈可能な新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.540134322548251
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The consumption of high doses of marijuana can have significant psychological
and social impacts. In this study, we propose an interpretable novel framework
called the HOGAB (High-Order Graph Attention Neural Networks) model for
addictive Marijuana classification and analysis of the localized network
clusters that demonstrated abnormal brain activities among chronic marijuana
users. The HOGAB integrates dynamic intrinsic functional networks with LSTM
technology to capture temporal patterns in fMRI time series of marijuana users.
We employed the high-order attention module in neighborhood nodes for
information fusion and message passing, enhancing community clustering analysis
for long-term marijuana users. Furthermore, we improve the overall
classification ability of the model by incorporating attention mechanisms,
achieving an AUC of 85.1% and an accuracy of 80.7% in classification, higher
than the comparison algoirthms. Specifically, we identified the most relevant
subnetworks and cognitive regions that are influenced by persistent marijuana
usage, revealing that chronic marijuana consumption adversely affects cognitive
control, particularly within the Dorsal Attention and Frontoparietal networks,
which are essential for attentional, cognitive and higher cognitive functions.
The results show that our proposed model is capable of accurately predicting
craving bahavior and identifying brain maps associated with long-term cravings,
and thus pinpointing brain regions that are important for analysis.
- Abstract（参考訳）: 高用量のマリファナの摂取は、心理的および社会的影響をもたらす可能性がある。
本研究では,中毒性マリファナ分類のためのHOGAB(High-Order Graph Attention Neural Networks)モデルと,慢性マリファナ利用者の異常脳活動を示す局所的ネットワーククラスタの解析を行う。
HOGABは、動的内在関数ネットワークとLSTM技術を統合し、大麻使用者のfMRI時系列の時間パターンをキャプチャする。
我々は近隣ノードに高次アテンションモジュールを用いて情報融合とメッセージパッシングを行い、長期マリファナ利用者のコミュニティクラスタリング分析を強化した。
さらに,注意機構を取り入れ,aucを85.1%,分類精度を80.7%とすることで,モデル全体の分類能力を向上させる。
具体的には,特に注意・認知・認知機能の向上に欠かせないDorsal AttentionとFrontoparietal Networkにおいて,慢性マリファナ摂取が認知制御に悪影響を及ぼすことが明らかとなった。
以上の結果から,本モデルでは,長期的欲望に関連する脳地図を正確に予測し,分析に重要な脳領域を特定できることが示唆された。
関連論文リスト
- Enhancing Graph Attention Neural Network Performance for Marijuana Consumption Classification through Large-scale Augmented Granger Causality (lsAGC) Analysis of Functional MR Images [0.0]
脳ネットワーク接続におけるマリファナの消費と変化の関係は、科学文献において認識されている事実である。
この研究は、lsAGCがこれらの変化を正確に識別する方法を探索する。
論文 参考訳（メタデータ） (2024-10-24T07:50:10Z) - Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。
脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。
本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文 参考訳（メタデータ） (2024-06-01T02:47:39Z) - Contrastive Graph Pooling for Explainable Classification of Brain Networks [9.917580917431293]
機能的磁気共鳴イメージング(fMRI)は、神経活動を測定するために一般的に用いられる技術である。
グラフとしてのfMRIデータの解析とグラフニューラルネットワーク(GNN)による特徴抽出
我々は、fMRI特有の要件を満たす脳ネットワークにおいて、GNNをよりよく活用するためのContrastPoolを提案する。
論文 参考訳（メタデータ） (2023-07-07T11:49:55Z) - DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。
機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。
しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。
本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
論文 参考訳（メタデータ） (2023-01-26T20:45:30Z) - Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph
Convolutional Network [0.8399688944263843]
既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。
本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。
我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
論文 参考訳（メタデータ） (2022-10-08T12:14:33Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - Feature-selected Graph Spatial Attention Network for Addictive
Brain-Networks Identification [4.224312918460521]
fMRIの高次元と低信号対雑音比は、グラフレベルの識別の両方のために効率的で堅牢な脳局所埋め込みを符号化することを困難にしている。
本研究では,fMRIラット脳を生物学的特性を持つグラフとして表現し,特徴選択型グラフ空間アテンションネットワークを提案する。
論文 参考訳（メタデータ） (2022-06-29T08:50:54Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - Deep Reinforcement Learning Guided Graph Neural Networks for Brain
Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。
提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文 参考訳（メタデータ） (2022-03-18T07:05:27Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳（メタデータ） (2021-01-18T13:28:08Z) - Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
論文 参考訳（メタデータ） (2020-03-24T01:56:50Z)
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。