論文の概要: Bridging Accuracy and Explainability in EEG-based Graph Attention Network for Depression Detection

• arxiv url: http://arxiv.org/abs/2511.05537v1
• Date: Wed, 29 Oct 2025 18:50:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-16 06:38:31.032374
• Title: Bridging Accuracy and Explainability in EEG-based Graph Attention Network for Depression Detection
• Title（参考訳）: 抑うつ検出のための脳波グラフ注意ネットワークにおけるブリッジ精度と説明可能性
• Authors: Soujanya Hazra, Sanjay Ghosh,
• Abstract要約: うつ病は世界的な精神疾患の主要な原因であり、自殺率に大きな影響を及ぼす。 エッジゲート・軸混入型Pooling Attention Network (ExPANet) というグラフに基づく新しいディープラーニングフレームワークを提案する。 このアーキテクチャは、局所電極特性と包括的機能接続パターンの両方を取得する。
• 参考スコア（独自算出の注目度）: 1.1147827531284868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Depression is a major cause of global mental illness and significantly influences suicide rates. Timely and accurate diagnosis is essential for effective intervention. Electroencephalography (EEG) provides a non-invasive and accessible method for examining cerebral activity and identifying disease-associated patterns. We propose a novel graph-based deep learning framework, named Edge-gated, axis-mixed Pooling Attention Network (ExPANet), for differentiating major depressive disorder (MDD) patients from healthy controls (HC). EEG recordings undergo preprocessing to eliminate artifacts and are segmented into short periods of activity. We extract 14 features from each segment, which include time, frequency, fractal, and complexity domains. Electrodes are represented as nodes, whereas edges are determined by the phase-locking value (PLV) to represent functional connectivity. The generated brain graphs are examined utilizing an adapted graph attention network. This architecture acquires both localized electrode characteristics and comprehensive functional connectivity patterns. The proposed framework attains superior performance relative to current EEG-based approaches across two different datasets. A fundamental advantage of our methodology is its explainability. We evaluated the significance of features, channels, and edges, in addition to intrinsic attention weights. These studies highlight features, cerebral areas, and connectivity associations that are especially relevant to MDD, many of which correspond with clinical data. Our findings demonstrate a reliable and transparent method for EEG-based screening of MDD, using deep learning with clinically relevant results.
• Abstract（参考訳）: うつ病は世界的な精神疾患の主要な原因であり、自殺率に大きな影響を及ぼす。 タイムリーかつ正確な診断は効果的な介入に不可欠である。 脳波検査(EEG)は、脳活動の検査と疾患関連パターンの同定のための非侵襲的でアクセスしやすい方法である。 そこで本稿では,大うつ病 (MDD) 患者と健康管理 (HC) の鑑別を目的とした,エッジゲート・軸混合プール注意ネットワーク (ExPANet) というグラフベースの新しいディープラーニングフレームワークを提案する。 脳波記録は、アーティファクトを除去するために前処理を行い、短い期間に分割される。 各セグメントから時間、周波数、フラクタル、複雑性ドメインを含む14の特徴を抽出する。 電極はノードとして表現されるが、エッジは機能接続を表す位相同期値(PLV)によって決定される。 適応型グラフアテンションネットワークを用いて、生成された脳グラフについて検討する。 このアーキテクチャは、局所電極特性と包括的機能接続パターンの両方を取得する。 提案するフレームワークは,2つの異なるデータセットにわたる現行のEEGベースのアプローチと比較して,優れたパフォーマンスを実現する。 私たちの方法論の根本的な利点は、その説明可能性です。 本研究は,本質的な注意重みに加えて,特徴,チャネル,エッジの意義を評価した。 これらの研究は、MDDに特に関係する特徴、大脳領域、接続関連性に注目し、その多くが臨床データに対応している。 本研究は,脳波によるMDDスクリーニングの信頼性と透過性を示し,深層学習と臨床応用について検討した。

関連論文リスト

• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• Graph Attention Networks for Detecting Epilepsy from EEG Signals Using Accessible Hardware in Low-Resource Settings [45.62331048595689]
  低所得国では、貧弱な神経科医や高価な診断ツールのためにてんかんが診断されていない。 低コストのEEGハードウェアからてんかんを検出するためのグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-20T20:44:39Z)
• Shared Attention-based Autoencoder with Hierarchical Fusion-based Graph Convolution Network for sEEG SOZ Identification [10.413397851804152]
  発作発症ゾーン(SOZ)の診断は神経外科の課題であり、脳電図(sEEG)が重要な技術である。 sEEG SOZの同定において、既存の研究はてんかん情報の患者内表現にのみ焦点をあてている。 本稿では、上記の課題に対処するために、共有注意ベースオートエンコーダ(sATAE)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T08:20:02Z)
• Feature Estimation of Global Language Processing in EEG Using Attention Maps [5.173821279121835]
  本研究は,脳波の特徴推定に新たなアプローチを導入し,深層学習モデルの重みを利用してその関連を探索する。 視覚変換器とEEGNetから生成したアテンションマップは,従来の研究結果と一致した特徴を効果的に同定できることを実証する。 ViTsを用いたMel-Spectrogramの適用により、時間および周波数関連脳波特性の分解能が向上する。
  論文  参考訳（メタデータ） (2024-09-27T22:52:31Z)
• Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
  アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。 本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-08-20T13:11:43Z)
• Graph Convolutional Network with Connectivity Uncertainty for EEG-based Emotion Recognition [20.655367200006076]
  本研究では,脳波信号の空間依存性と時間スペクトルの相対性を表す分布に基づく不確実性手法を提案する。 グラフ混合手法は、遅延接続エッジを強化し、ノイズラベル問題を緩和するために用いられる。 感情認識タスクにおいて、SEEDとSEEDIVという2つの広く使われているデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2023-10-22T03:47:11Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• 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)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)
• A study of resting-state EEG biomarkers for depression recognition [11.202182020497402]
  うつ病は世界中で大きな健康負担となり、効果的な検出うつ病は公衆衛生上の大きな課題となっている。 この脳波に基づく研究は、うつ病の認識に有効なバイオマーカーを探究することを目的としている。
  論文  参考訳（メタデータ） (2020-02-23T08:33:08Z)

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。