論文の概要: SAD-TIME: a Spatiotemporal-fused network for depression detection with Automated multi-scale Depth-wise and TIME-interval-related common feature extractor

• arxiv url: http://arxiv.org/abs/2411.08521v1
• Date: Wed, 13 Nov 2024 11:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:09:15.772826
• Title: SAD-TIME: a Spatiotemporal-fused network for depression detection with Automated multi-scale Depth-wise and TIME-interval-related common feature extractor
• Title（参考訳）: SAD-TIME:マルチスケール深度及び時間間隔関連共通特徴抽出器を用いた時空間拡散型うつ病検出ネットワーク
• Authors: Han-Guang Wang, Hui-Rang Hou, Li-Cheng Jin, Chen-Yang Xu, Zhong-Yi Zhang, Qing-Hao Meng,
• Abstract要約: うつ病は重度の精神疾患であり、正確な診断はうつ病患者の治療とリハビリに欠かせない。 より客観的な診断方法を探すために、研究者は、うつ病を識別するディープラーニングベースの方法の実験を開始した。
• 参考スコア（独自算出の注目度）: 8.335556993302937
• License:
• Abstract: Background and Objective: Depression is a severe mental disorder, and accurate diagnosis is pivotal to the cure and rehabilitation of people with depression. However, the current questionnaire-based diagnostic methods could bring subjective biases and may be denied by subjects. In search of a more objective means of diagnosis, researchers have begun to experiment with deep learning-based methods for identifying depressive disorders in recent years. Methods: In this study, a novel Spatiotemporal-fused network with Automated multi-scale Depth-wise and TIME-interval-related common feature extractor (SAD-TIME) is proposed. SAD-TIME incorporates an automated nodes' common features extractor (CFE), a spatial sector (SpS), a modified temporal sector (TeS), and a domain adversarial learner (DAL). The CFE includes a multi-scale depth-wise 1D-convolutional neural network and a time-interval embedding generator, where the unique information of each channel is preserved. The SpS fuses the functional connectivity with the distance-based connectivity containing spatial position of EEG electrodes. A multi-head-attention graph convolutional network is also applied in the SpS to fuse the features from different EEG channels. The TeS is based on long short-term memory and graph transformer networks, where the temporal information of different time-windows is fused. Moreover, the DAL is used after the SpS to obtain the domain-invariant feature. Results: Experimental results under tenfold cross-validation show that the proposed SAD-TIME method achieves 92.00% and 94.00% depression classification accuracies on two datasets, respectively, in cross-subject mode. Conclusion: SAD-TIME is a robust depression detection model, where the automatedly-generated features, the SpS and the TeS assist the classification performance with the fusion of the innate spatiotemporal information in the EEG signals.
• Abstract（参考訳）: 背景と目的:うつ病は重篤な精神疾患であり、正確な診断はうつ病患者の治療とリハビリに欠かせない。 しかし、現在のアンケートに基づく診断法は、主観的偏見をもたらし、被験者によって否定される可能性がある。 より客観的な診断方法を探すために、近年、深層学習に基づくうつ病の特定方法の実験が始まっている。 方法:本研究では,多スケール深度及び時間間隔関連共通特徴抽出器(SAD-TIME)を用いた時空間融合ネットワークを提案する。 SAD-TIMEには、自動化ノードの共通特徴抽出器(CFE)、空間セクター(SpS)、時間セクター(TeS)、ドメイン逆学習器(DAL)が組み込まれている。 CFEは、マルチスケールの深さワイド1D畳み込みニューラルネットワークと、各チャネルのユニークな情報が保存される時間間隔埋め込み生成器を含む。 SpSは、EEG電極の空間位置を含む距離ベースの接続と機能接続を融合する。 マルチヘッドアテンショングラフ畳み込みネットワークは、異なるEEGチャネルから機能を融合するためにSpSにも適用されている。 TeSは、長い短期記憶とグラフトランスフォーマーネットワークに基づいており、異なる時間ウィンドウの時間情報を融合している。 さらに、DALはSpSの後に使われ、ドメイン不変の特徴を得る。 その結果,SAD-TIME法は2つのデータセットに対してそれぞれ92.00%,94.00%の抑うつ分類精度をクロスオブジェクトモードで達成した。 結論: SAD-TIMEは, 自動生成機能であるSpSとTeSが脳波信号の固有時空間情報の融合により分類性能を補助する頑健な抑うつ検出モデルである。

関連論文リスト

• STIED: A deep learning model for the SpatioTemporal detection of focal Interictal Epileptiform Discharges with MEG [0.08030359871216612]
  脳磁図(MEG)を用いたてんかん間葉状放電(IED)の非侵襲的検出 深層学習(DL)は臨床MEGの実践に革命をもたらす可能性がある。 我々は,2つの畳み込みニューラルネットワークと時間的(1次元時間軸)および空間的(2次元トポグラフィー)特徴を組み合わせた,強力で教師付きなDLアルゴリズムであるSTIEDを開発した。
  論文  参考訳（メタデータ） (2024-10-30T18:41:22Z)
• STANet: A Novel Spatio-Temporal Aggregation Network for Depression Classification with Small and Unbalanced FMRI Data [12.344849949026989]
  時間的特徴と空間的特徴の両方を捉えるために,CNNとRNNを統合してうつ病を診断するための時空間アグリゲーションネットワーク(STANet)を提案する。 実験の結果、STANetは82.38%の精度と90.72%のAUCでうつ病診断性能に優れていた。
  論文  参考訳（メタデータ） (2024-07-31T04:06:47Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• A Multi-channel EEG Data Analysis for Poor Neuro-prognostication in Comatose Patients with Self and Cross-channel Attention Mechanism [1.9288445804756893]
  両極性脳波 (EEG) 記録の予測可能性について検討した。 ハイブリッドなディープラーニングアプローチを用いた振り返り設計を用いて、高い特異性を目的とした目的関数を最適化する。
  論文  参考訳（メタデータ） (2023-09-24T13:13:29Z)
• TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential Modelling [54.97005925277638]
  潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。 SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。 そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-25T08:54:41Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
  本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。 我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。 既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。 また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-26T05:31:23Z)
• MMA-RNN: A Multi-level Multi-task Attention-based Recurrent Neural Network for Discrimination and Localization of Atrial Fibrillation [1.8037893225125925]
  本稿では,多段階マルチタスク・アテンションに基づくリカレントニューラルネットワークを提案する。 このモデルは、情報インタラクションを強化し、エラーの蓄積を減らすためのエンドツーエンドフレームワークとして設計されている。
  論文  参考訳（メタデータ） (2023-02-07T19:59:55Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• MHATC: Autism Spectrum Disorder identification utilizing multi-head attention encoder along with temporal consolidation modules [11.344829880346353]
  静止状態fMRIは、ネットワークベースの機能接続を用いて自閉症スペクトラム障害(ASD)の診断に一般的に用いられる。 ASD患者として個人を分類するための多面的注意と時間的統合モジュールからなる新しいディープラーニングアーキテクチャ(MHATC)を提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:50:16Z)
• AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement with Neural Searching [76.4844593082362]
  既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。 総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
  論文  参考訳（メタデータ） (2020-04-26T05:43:21Z)

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。