論文の概要: Enhancing Graph Attention Neural Network Performance for Marijuana Consumption Classification through Large-scale Augmented Granger Causality (lsAGC) Analysis of Functional MR Images

• arxiv url: http://arxiv.org/abs/2410.18506v1
• Date: Thu, 24 Oct 2024 07:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 16:43:36.061390
• Title: Enhancing Graph Attention Neural Network Performance for Marijuana Consumption Classification through Large-scale Augmented Granger Causality (lsAGC) Analysis of Functional MR Images
• Title（参考訳）: 大規模拡大グランガー因果性(lsAGC)解析によるマリファナ消費分類のためのグラフ注意ニューラルネットワークの性能向上
• Authors: Ali Vosoughi, Akhil Kasturi, Axel Wismueller,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the present research, the effectiveness of large-scale Augmented Granger Causality (lsAGC) as a tool for gauging brain network connectivity was examined to differentiate between marijuana users and typical controls by utilizing resting-state functional Magnetic Resonance Imaging (fMRI). The relationship between marijuana consumption and alterations in brain network connectivity is a recognized fact in scientific literature. This study probes how lsAGC can accurately discern these changes. The technique used integrates dimension reduction with the augmentation of source time-series in a model that predicts time-series, which helps in estimating the directed causal relationships among fMRI time-series. As a multivariate approach, lsAGC uncovers the connection of the inherent dynamic system while considering all other time-series. A dataset of 60 adults with an ADHD diagnosis during childhood, drawn from the Addiction Connectome Preprocessed Initiative (ACPI), was used in the study. The brain connections assessed by lsAGC were utilized as classification attributes. A Graph Attention Neural Network (GAT) was chosen to carry out the classification task, particularly for its ability to harness graph-based data and recognize intricate interactions between brain regions, making it appropriate for fMRI-based brain connectivity data. The performance was analyzed using a five-fold cross-validation system. The average accuracy achieved by the correlation coefficient method was roughly 52.98%, with a 1.65 standard deviation, whereas the lsAGC approach yielded an average accuracy of 61.47%, with a standard deviation of 1.44. The suggested method enhances the body of knowledge in the field of neuroimaging-based classification and emphasizes the necessity to consider directed causal connections in brain network connectivity analysis when studying marijuana's effects on the brain.
• Abstract（参考訳）: 本研究は,大麻使用者と典型的コントロールの区別を目的として,脳神経ネットワーク接続性向上ツールとしての大規模Augmented Granger Causality (lsAGC) の有効性を検討した。 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。 この手法は,fMRI時系列間の有向因果関係を推定するのに役立つ時系列予測モデルにおいて,次元減少とソース時系列の増大を統合する。 多変量アプローチとして、lsAGCは、他のすべての時系列を考慮して、固有の動的システムの接続を明らかにする。 小児期ADHD診断を施行した60名の成人のデータセットをACPI(Addiction Connectome Preprocessed Initiative)を用いて検討した。 lsAGCにより評価された脳の接続は分類属性として利用された。 グラフ注意ニューラルネットワーク(GAT)は、特にグラフベースのデータを活用し、脳領域間の複雑な相互作用を認識する能力のために、分類タスクを実行するために選ばれた。 性能は5倍のクロスバリデーションシステムを用いて解析した。 相関係数法で得られた平均精度は52.98%で標準偏差は1.65であり、lsAGC法では平均偏差が61.47%、標準偏差が1.44であった。 提案手法は神経画像分類の分野での知識の身体を強化するとともに、大麻が脳に与える影響を研究する際に、脳ネットワーク接続解析において直接因果関係を考慮する必要があることを強調している。

関連論文リスト

• Spatial Craving Patterns in Marijuana Users: Insights from fMRI Brain Connectivity Analysis with High-Order Graph Attention Neural Networks [4.978772628863472]
  マリファナの過剰摂取は、かなりの心理的および社会的結果をもたらす可能性がある。 本稿では,マリファナ中毒の分類のための高次グラフ注意ニューラルネットワーク(HOGANN)を提案する。 我々のモデルは2つの異なるデータコホートにまたがって検証され、ベンチマークアルゴリズムよりもかなり高い分類精度が得られる。
  論文  参考訳（メタデータ） (2024-02-29T04:01:38Z)
• 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)
• 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)
• 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)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• 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)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• 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)
• 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)
• Large-Scale Extended Granger Causality for Classification of Marijuana Users From Functional MRI [0.0]
  マリファナの使用は脳ネットワーク接続の変化と関連していることが文献で示されている。 本研究では,lsXGC(Extended Granger Causality)を提案し,静止状態fMRIを用いてその変化を捉えるかどうかを検討する。 本研究では,小児期にADHDと診断された成人136名を対象に,マリファナユーザを典型的制御から分類するバイオマーカーとして機能するかどうかを検討する。
  論文  参考訳（メタデータ） (2021-01-06T00:40:47Z)
• 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)

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。