論文の概要: Parkinson's Disease Detection from Resting State EEG using Multi-Head Graph Structure Learning with Gradient Weighted Graph Attention Explanations
- arxiv url: http://arxiv.org/abs/2408.00906v1
- Date: Thu, 1 Aug 2024 20:54:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-05 15:06:04.636559
- Title: Parkinson's Disease Detection from Resting State EEG using Multi-Head Graph Structure Learning with Gradient Weighted Graph Attention Explanations
- Title（参考訳）: 重み付きグラフ注意記述を用いた多面グラフ構造学習による安静状態脳波からのパーキンソン病の検出
- Authors: Christopher Neves, Yong Zeng, Yiming Xiao,
- Abstract要約: 静止状態脳波を用いたパーキンソン病(PD)検出のための新しいグラフニューラルネットワーク(GNN)手法を提案する。
コントラスト学習を用いた構造化グローバル畳み込みを用いて,データ制限による複雑な特徴をモデル化する。
UCサンディエゴ・パーキンソン病脳波データセットを用いて本手法を開発,評価し,主観的離脱検診において69.40%の精度で検出した。
- 参考スコア（独自算出の注目度）: 9.544065991313062
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Parkinson's disease (PD) is a debilitating neurodegenerative disease that has severe impacts on an individual's quality of life. Compared with structural and functional MRI-based biomarkers for the disease, electroencephalography (EEG) can provide more accessible alternatives for clinical insights. While deep learning (DL) techniques have provided excellent outcomes, many techniques fail to model spatial information and dynamic brain connectivity, and face challenges in robust feature learning, limited data sizes, and poor explainability. To address these issues, we proposed a novel graph neural network (GNN) technique for explainable PD detection using resting state EEG. Specifically, we employ structured global convolutions with contrastive learning to better model complex features with limited data, a novel multi-head graph structure learner to capture the non-Euclidean structure of EEG data, and a head-wise gradient-weighted graph attention explainer to offer neural connectivity insights. We developed and evaluated our method using the UC San Diego Parkinson's disease EEG dataset, and achieved 69.40% detection accuracy in subject-wise leave-one-out cross-validation while generating intuitive explanations for the learnt graph topology.
- Abstract（参考訳）: パーキンソン病(英: Parkinson's disease、PD)は、個人の生活の質に深刻な影響を与える神経変性疾患である。
構造的および機能的なMRIベースのバイオマーカーと比較すると、脳波検査(EEG)は臨床的な洞察のためによりアクセスしやすい代替手段を提供することができる。
深層学習(DL)技術は優れた結果をもたらしたが、多くの技術は空間情報や脳の動的接続をモデル化できず、堅牢な特徴学習、限られたデータサイズ、説明可能性の低下といった課題に直面している。
これらの問題に対処するために、安静時脳波を用いた説明可能なPD検出のための新しいグラフニューラルネットワーク(GNN)手法を提案した。
具体的には、限られたデータで複雑な特徴をモデル化するために、対照的な学習を伴う構造化されたグローバル畳み込みと、脳波データの非ユークリッド構造を捉える新しいマルチヘッドグラフ構造学習と、ニューラルネットワークの洞察を提供するための頭部勾配重み付きグラフ注意説明器を用いる。
我々は,UCサンディエゴ・パーキンソン病脳波データセットを用いて本手法の開発と評価を行い,学習したグラフトポロジの直感的な説明を生成しながら,被験者単位の残差検定において69.40%の精度で検出した。
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) - Classification of developmental and brain disorders via graph
convolutional aggregation [6.6356049194991815]
本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。
提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。
我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
論文 参考訳（メタデータ） (2023-11-13T14:36:29Z) - 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) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - Spatial Temporal Graph Convolution with Graph Structure Self-learning
for Early MCI Detection [9.11430195887347]
本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。
The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
論文 参考訳（メタデータ） (2022-11-11T12:29:00Z) - 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) - 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) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue
Generation [150.52617238140868]
ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。
また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2020-12-22T13:20:23Z) - Attention-based Graph ResNet for Motor Intent Detection from Raw EEG
signals [8.775745069873558]
前回の研究では、脳波(EEG)信号は脳波電極のトポロジカルな関係を考慮していない。
グラフ畳み込みニューラルネットワーク(GCN: Graph Convolutional Neural Network)の新たな構造である、注意に基づくグラフ残差ネットワークが、人間の運動意図を検出するために提示された。
生の脳波運動画像における深部ネットワークに関する劣化問題に対処するために, フルアテンションアーキテクチャによる深部学習を導入した。
論文 参考訳（メタデータ） (2020-06-25T09:29:48Z) - 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。