論文の概要: MedGNN: Towards Multi-resolution Spatiotemporal Graph Learning for Medical Time Series Classification

• arxiv url: http://arxiv.org/abs/2502.04515v1
• Date: Thu, 06 Feb 2025 21:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:57:58.681661
• Title: MedGNN: Towards Multi-resolution Spatiotemporal Graph Learning for Medical Time Series Classification
• Title（参考訳）: MedGNN:医療時系列分類のための多分解能時空間グラフ学習を目指して
• Authors: Wei Fan, Jingru Fei, Dingyu Guo, Kun Yi, Xiaozhuang Song, Haolong Xiang, Hangting Ye, Min Li,
• Abstract要約: 医用時系列分類のための多分解能グラフ学習フレームワークMedGNNを提案する。 まず、動的なマルチスケール埋め込みを学習するために、多分解能適応グラフ構造を構築することを提案する。 次に、時間的モデリングのための有限差分上で自己注意機構を操作するための差分注意ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 9.290150386783838
• License:
• Abstract: Medical time series has been playing a vital role in real-world healthcare systems as valuable information in monitoring health conditions of patients. Accurate classification for medical time series, e.g., Electrocardiography (ECG) signals, can help for early detection and diagnosis. Traditional methods towards medical time series classification rely on handcrafted feature extraction and statistical methods; with the recent advancement of artificial intelligence, the machine learning and deep learning methods have become more popular. However, existing methods often fail to fully model the complex spatial dynamics under different scales, which ignore the dynamic multi-resolution spatial and temporal joint inter-dependencies. Moreover, they are less likely to consider the special baseline wander problem as well as the multi-view characteristics of medical time series, which largely hinders their prediction performance. To address these limitations, we propose a Multi-resolution Spatiotemporal Graph Learning framework, MedGNN, for medical time series classification. Specifically, we first propose to construct multi-resolution adaptive graph structures to learn dynamic multi-scale embeddings. Then, to address the baseline wander problem, we propose Difference Attention Networks to operate self-attention mechanisms on the finite difference for temporal modeling. Moreover, to learn the multi-view characteristics, we utilize the Frequency Convolution Networks to capture complementary information of medical time series from the frequency domain. In addition, we introduce the Multi-resolution Graph Transformer architecture to model the dynamic dependencies and fuse the information from different resolutions. Finally, we have conducted extensive experiments on multiple medical real-world datasets that demonstrate the superior performance of our method. Our Code is available.
• Abstract（参考訳）: 医療時系列は、患者の健康状態を監視する上で貴重な情報として、現実世界の医療システムにおいて重要な役割を担っている。 心電図(ECG)信号などの医療時系列の正確な分類は早期発見と診断に役立つ。 医学時系列分類への伝統的な手法は手作りの特徴抽出と統計手法に依存しており、近年の人工知能の発展に伴い、機械学習と深層学習が普及している。 しかし、既存の手法では、異なるスケールで複雑な空間力学を完全にモデル化することができず、動的多分解能の空間的および時間的関節の相互依存性を無視する。 さらに,医療時系列の多視点的特徴も考慮しにくいため,予測性能を損なう可能性が低い。 これらの制約に対処するため,医療時系列分類のためのマルチレゾリューション時空間グラフ学習フレームワーク,MedGNNを提案する。 具体的には、動的なマルチスケール埋め込みを学習するために、まず、多分解能適応グラフ構造を構築することを提案する。 そこで本研究では,時間的モデリングのための有限差分に基づく自己注意機構を運用するための差分注意ネットワークを提案する。 さらに、マルチビュー特性を学習するために、周波数領域から医療時系列の補完情報を取得するために周波数畳み込みネットワークを利用する。 さらに、動的依存関係をモデル化し、異なる解像度から情報を融合するマルチレゾリューショングラフトランスフォーマーアーキテクチャを導入する。 最後に,本手法の優れた性能を示す複数の医用実世界のデータセットについて広範な実験を行った。 私たちのコードは利用可能です。

関連論文リスト

• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• MedTsLLM: Leveraging LLMs for Multimodal Medical Time Series Analysis [6.30440420617113]
  MedTsLLMは、時系列データとリッチな文脈情報をテキスト形式で統合し、生理的信号を解析する汎用多モーダル大規模言語モデル(LLM)フレームワークである。 本研究は,連続時間における意味的セグメンテーション,境界検出,異常検出という,臨床的関連性のある3つのタスクを実行する。 我々のモデルは、深層学習モデル、他のLSM、および複数の医療領域における臨床方法など、最先端のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2024-08-14T18:57:05Z)
• Automated Ensemble Multimodal Machine Learning for Healthcare [52.500923923797835]
  本稿では,自動機械学習を用いた構造化臨床(タブラル)データと医用画像の統合を実現するマルチモーダルフレームワークAutoPrognosis-Mを紹介する。 AutoPrognosis-Mには、畳み込みニューラルネットワークとビジョントランスフォーマーを含む17のイメージングモデルと、3つの異なるマルチモーダル融合戦略が含まれている。
  論文  参考訳（メタデータ） (2024-07-25T17:46:38Z)
• Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
  我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。 空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。 時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:15:09Z)
• Temporal Cross-Attention for Dynamic Embedding and Tokenization of Multimodal Electronic Health Records [1.6609516435725236]
  マルチモーダルな臨床時系列を正確に表現するための動的埋め込み・トークン化フレームワークを提案する。 術後合併症9例の発症予測に基礎的アプローチを応用した。
  論文  参考訳（メタデータ） (2024-03-06T19:46:44Z)
• Coupled Attention Networks for Multivariate Time Series Anomaly Detection [10.620044922371177]
  多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。 センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
  論文  参考訳（メタデータ） (2023-06-12T13:42:56Z)
• An Adaptive Federated Relevance Framework for Spatial Temporal Graph Learning [14.353798949041698]
  本稿では,空間時間グラフ学習のための適応型フェデレーション関連フレームワークであるFedRelを提案する。 フレームワークのコアとなるDynamic Inter-Intra Graph (DIIG)モジュールは、これらの機能を使用して空間時間グラフを生成することができる。 局所的なデータプライバシーを維持しながらモデルの一般化能力と性能を向上させるため、関連性駆動型フェデレーション学習モジュールを設計する。
  論文  参考訳（メタデータ） (2022-06-07T16:12:17Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• A complex network approach to time series analysis with application in diagnosis of neuromuscular disorders [1.9659095632676098]
  本稿では,既存手法の限られた精度を克服するために,GraphTSというネットワーク開発手法を提案する。 この目的のために、EMG信号は前処理され、標準的な可視グラフアルゴリズムによって複雑なネットワークにマッピングされる。 結果として得られるネットワークは、健康なサンプルと患者のサンプルを区別することができる。
  論文  参考訳（メタデータ） (2021-08-16T06:44:48Z)
• Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
  病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。 これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。 テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T20:05:35Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。