論文の概要: xEEGNet: Towards Explainable AI in EEG Dementia Classification

• arxiv url: http://arxiv.org/abs/2504.21457v1
• Date: Wed, 30 Apr 2025 09:24:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 19:37:11.857973
• Title: xEEGNet: Towards Explainable AI in EEG Dementia Classification
• Title（参考訳）: xEEGNet: 脳性認知症分類における説明可能なAIを目指して
• Authors: Andrea Zanola, Louis Fabrice Tshimanga, Federico Del Pup, Marco Baiesi, Manfredo Atzori,
• Abstract要約: xEEGNetは、EEGデータ分析のための、新しくてコンパクトで説明可能なニューラルネットワークである。 完全に解釈可能で、大きなパラメータ還元によって過度に適合する。 xEEGNetはスペクトル変化を含む他の神経学的条件に広く適用されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents xEEGNet, a novel, compact, and explainable neural network for EEG data analysis. It is fully interpretable and reduces overfitting through major parameter reduction. As an applicative use case, we focused on classifying common dementia conditions, Alzheimer's and frontotemporal dementia, versus controls. xEEGNet is broadly applicable to other neurological conditions involving spectral alterations. We initially used ShallowNet, a simple and popular model from the EEGNet-family. Its structure was analyzed and gradually modified to move from a "black box" to a more transparent model, without compromising performance. The learned kernels and weights were examined from a clinical standpoint to assess medical relevance. Model variants, including ShallowNet and the final xEEGNet, were evaluated using robust Nested-Leave-N-Subjects-Out cross-validation for unbiased performance estimates. Variability across data splits was explained using embedded EEG representations, grouped by class and set, with pairwise separability to quantify group distinction. Overfitting was assessed through training-validation loss correlation and training speed. xEEGNet uses only 168 parameters, 200 times fewer than ShallowNet, yet retains interpretability, resists overfitting, achieves comparable median performance (-1.5%), and reduces variability across splits. This variability is explained by embedded EEG representations: higher accuracy correlates with greater separation between test set controls and Alzheimer's cases, without significant influence from training data. xEEGNet's ability to filter specific EEG bands, learn band-specific topographies, and use relevant spectral features demonstrates its interpretability. While large deep learning models are often prioritized for performance, this study shows smaller architectures like xEEGNet can be equally effective in EEG pathology classification.
• Abstract（参考訳）: この研究は、新しい、コンパクトで説明可能な、EEGデータ分析のためのニューラルネットワークであるxEEGNetを提示する。 完全に解釈可能で、大きなパラメータ還元によって過度に適合する。 適用例として, 一般的な認知症, アルツハイマー病, 前頭側頭型認知症とコントロールの分類に焦点をあてた。 xEEGNetはスペクトル変化を含む他の神経学的条件に広く適用されている。 私たちは最初、EEGNetファミリーのシンプルで人気のあるモデルであるShallowNetを使用しました。 その構造は分析され、徐々に変化し、性能を損なうことなく「ブラックボックス」からより透明なモデルに移行した。 臨床的な観点から, 学習したカーネルとウェイトについて検討し, 医療関連性を検討した。 ShallowNetと最終xEEGNetを含むモデル変種は、非バイアス性能推定のためのロバストなNested-Leave-N-Subjects-Outクロスバリデーションを用いて評価された。 データ分割間のばらつきは、クラスとセットによってグループ化された組込みのEEG表現を用いて説明され、グループ区別を定量化するためのペアの分離性がある。 オーバーフィッティングはトレーニング検証損失相関とトレーニング速度によって評価された。 xEEGNetは168のパラメータしか使用せず、ShallowNetの200倍も小さい。 高い精度は、トレーニングデータから大きな影響を受けずに、テストセットコントロールとアルツハイマーのケースの間のより大きな分離と相関する。 特定のEEGバンドをフィルタリングし、バンド固有の地形を学習し、関連するスペクトル特徴を使用するxEEGNetの能力は、その解釈可能性を示している。 大規模なディープラーニングモデルは、しばしばパフォーマンスのために優先順位付けされるが、この研究は、xEEGNetのようなより小さなアーキテクチャは、脳波の病理分類に等しく有効であることを示している。

関連論文リスト

• Hierarchical Attention Network for Interpretable ECG-based Heart Disease Classification [0.7234862895932991]
  テキスト分類のために開発された階層型注意ネットワーク(HAN)を心電図に基づく心電図型心電図分類タスクに適用する。 MIT-BIHデータセットでは、適応されたHANは、CAT-Netの99.14%と比較して98.55%の精度を達成し、モデルパラメータの数を15.6倍に削減した。 PTB-XLデータセットでは,CAT-Netに比べてモデル複雑性が19.3倍減少し,テスト精度は5%低下した。
  論文  参考訳（メタデータ） (2025-03-25T13:06:06Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• DCENWCNet: A Deep CNN Ensemble Network for White Blood Cell Classification with LIME-Based Explainability [0.0]
  白血球(WBC)は免疫系の重要な部分です。 従来の畳み込みニューラルネットワーク(CNN)は、血液細胞を物体の一部から分類し、物体認識を行う。 本稿では,3つのCNNアーキテクチャを統合した新しいアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2025-02-08T05:53:20Z)
• Graph Adapter of EEG Foundation Models for Parameter Efficient Fine Tuning [1.8946099300030472]
  これらの課題に対処するために,パラメータ効率のよい微細チューニング(PEFT)手法であるEEG-GraphAdapter (EGA)を提案する。 EGAは、GNNベースのモジュールとしてトレーニング済みの時間バックボーンモデルに統合され、バックボーンを凍結し、アダプタのみを微調整できる。 重度抑うつ障害(MDD)と不規則性検出(TUAB)の2つの医療関連下流課題に対する実験的評価 : 背骨BENDRモデルと比較して,EGAがF1スコアで最大16.1%向上することを示す。
  論文  参考訳（メタデータ） (2024-11-25T07:30:52Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph Connectivity [1.1498015270151059]
  我々は、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCNN)を統合するハイブリッドネットワークであるEEG-BBNetを提案する。 我々のモデルは、イベント関連電位(ERP)タスクにおけるすべてのベースラインを、セッション内データを用いて平均99.26%の正確な認識率で上回ります。
  論文  参考訳（メタデータ） (2022-08-17T10:18:22Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。