論文の概要: Ada-FCN: Adaptive Frequency-Coupled Network for fMRI-Based Brain Disorder Classification

• arxiv url: http://arxiv.org/abs/2511.04718v1
• Date: Thu, 06 Nov 2025 08:57:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.550049
• Title: Ada-FCN: Adaptive Frequency-Coupled Network for fMRI-Based Brain Disorder Classification
• Title（参考訳）: Ada-FCN:fMRIに基づく脳障害分類のための適応周波数結合ネットワーク
• Authors: Yue Xun, Jiaxing Xu, Wenbo Gao, Chen Yang, Shujun Wang,
• Abstract要約: 本稿では、各脳領域のタスク関連周波数サブバンドを学習するために、適応カスケード分解を特徴とするフレームワークを提案する。 また、周波数結合型接続学習を提案し、統合機能ネットワークにおいて、内部およびニュアンス間相互作用の両方をキャプチャする。
• 参考スコア（独自算出の注目度）: 9.889378402402754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Resting-state fMRI has become a valuable tool for classifying brain disorders and constructing brain functional connectivity networks by tracking BOLD signals across brain regions. However, existing mod els largely neglect the multi-frequency nature of neuronal oscillations, treating BOLD signals as monolithic time series. This overlooks the cru cial fact that neurological disorders often manifest as disruptions within specific frequency bands, limiting diagnostic sensitivity and specificity. While some methods have attempted to incorporate frequency informa tion, they often rely on predefined frequency bands, which may not be optimal for capturing individual variability or disease-specific alterations. To address this, we propose a novel framework featuring Adaptive Cas cade Decomposition to learn task-relevant frequency sub-bands for each brain region and Frequency-Coupled Connectivity Learning to capture both intra- and nuanced cross-band interactions in a unified functional network. This unified network informs a novel message-passing mecha nism within our Unified-GCN, generating refined node representations for diagnostic prediction. Experimental results on the ADNI and ABIDE datasets demonstrate superior performance over existing methods. The code is available at https://github.com/XXYY20221234/Ada-FCN.
• Abstract（参考訳）: 静止状態fMRIは、脳障害を分類し、脳領域を横断してBOLD信号を追跡することによって脳機能接続ネットワークを構築するための貴重なツールとなっている。 しかし、既存の mod el は神経振動の多周波特性を無視し、BOLD 信号をモノリシック時系列として扱う。 このことは、神経疾患が特定の周波数帯内の破壊としてしばしば現れ、診断感度と特異性を制限するという残酷な事実を見落としている。 周波数インフォメータを組み込もうとする手法もあるが、それらはしばしば事前に定義された周波数帯域に依存しており、個々の変動や疾患特異的な変化を捉えるのに最適ではない。 そこで本研究では,各脳領域のタスク関連周波数サブバンドを学習するAdaptive Cas cade Decompositionを特徴とする新しいフレームワークと,統合された機能ネットワークにおいて,内部およびニュアンス間の相互作用を捕捉する周波数結合接続学習を提案する。 この統合ネットワークは、我々のUnified-GCN内の新しいメッセージ通過メカニズムを通知し、診断予測のための洗練されたノード表現を生成する。 ADNIおよびABIDEデータセットの実験結果は、既存の手法よりも優れた性能を示している。 コードはhttps://github.com/XXYY20221234/Ada-FCNで公開されている。

関連論文リスト

• FM-SIREN & FM-FINER: Nyquist-Informed Frequency Multiplier for Implicit Neural Representation with Periodic Activation [15.456760941404873]
  我々はNyquist-informed, neuron-specific frequency multipliersを周期的活性化に割り当てるFM-SIRENとFM-FINERを提案する。 この単純だが原則化された修正は特徴の冗長性を50%近く低減し、多様なINRタスク間の信号再構成を一貫して改善する。
  論文  参考訳（メタデータ） (2025-09-27T18:14:47Z)
• Data-Efficient Psychiatric Disorder Detection via Self-supervised Learning on Frequency-enhanced Brain Networks [13.167147276235076]
  精神疾患は複雑な神経活動の変化を伴い、機能的磁気共鳴画像(fMRI)データが重要な診断証拠となる。 データ不足とfMRI情報の多様な性質は、大きな課題を引き起こしている。 本稿では,fMRIデータに特化して設計された新しいSSLフレームワークであるFENetを提案する。
  論文  参考訳（メタデータ） (2025-09-04T05:10:13Z)
• RTGMFF: Enhanced fMRI-based Brain Disorder Diagnosis via ROI-driven Text Generation and Multimodal Feature Fusion [13.589735978929085]
  RTGMFFは自動ROIレベルのテキスト生成とマルチモーダルな特徴融合を統合化して脳障害診断を行うフレームワークである。 RTGMFFは診断精度において現在の手法を上回り、感度、特異性、およびROC曲線下における領域の顕著な向上を達成している。
  論文  参考訳（メタデータ） (2025-09-03T11:05:57Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Classification of multi-frequency RF signals by extreme learning, using magnetic tunnel junctions as neurons and synapses [46.000685134136525]
  磁気トンネル接合は並列に複数の周波数でRF入力を処理可能であることを示す。 極端学習と呼ばれるバックプロパゲーションフリーの手法を用いて、RF信号で符号化されたノイズの多い画像を分類する。 これらの結果は、組み込みの高周波人工知能にとって重要なステップである。
  論文  参考訳（メタデータ） (2022-11-02T14:09:42Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• Learning shared neural manifolds from multi-subject FMRI data [13.093635609349874]
  MRMD-AEmaniと呼ばれる,複数の被験者から共通の埋め込みを実験で学習するニューラルネットワークを提案する。 学習した共通空間は、テンポラル多様体(トレーニング中に見えない新しい点をマッピングできる)を表し、目に見えない時間点の刺激特徴の分類を改善する。 このフレームワークは、将来的には脳-コンピュータインタフェース(BCI)トレーニングなど、多くのダウンストリームアプリケーションに応用できると考えています。
  論文  参考訳（メタデータ） (2021-12-22T23:08:39Z)
• F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
  エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。 ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。 F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
  論文  参考訳（メタデータ） (2020-11-09T19:55:40Z)

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。