論文の概要: EEG-SeeGraph: Interpreting functional connectivity disruptions in dementias via sparse-explanatory dynamic EEG-graph learning
- arxiv url: http://arxiv.org/abs/2603.16895v1
- Date: Tue, 03 Mar 2026 08:56:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:42.365749
- Title: EEG-SeeGraph: Interpreting functional connectivity disruptions in dementias via sparse-explanatory dynamic EEG-graph learning
- Title（参考訳）: EEG-SeeGraph: スパース探索型動的脳波グラフ学習による認知症における機能的接続障害の解釈
- Authors: Fengcheng Wu, Zhenxi Song, Guoyang Xu, Kaisong Hu, Zirui Wang, Yi Guo, Zhiguo Zhang,
- Abstract要約: SeeGraphは機能接続をモデル化した動的EEGグラフネットワークであり、ノード誘導のスパースエッジマスクを使用している。
クロスエントロピー損失とマスク上のスペーサ正規化器を用いてトレーニングし,ノイズローバストと解釈可能な診断を行う。
- 参考スコア（独自算出の注目度）: 22.684074417779495
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robust and interpretable dementia diagnosis from noisy, non-stationary electroencephalography (EEG) is clinically essential yet remains challenging. To this end, we propose SeeGraph, a Sparse-Explanatory dynamic EEG-graph network that models time-evolving functional connectivity and employs a node-guided sparse edge mask to reveal the connections that drive diagnostic decisions, while remaining robust to noise and cross-site variability. SeeGraph comprises four components: (1) a dual-trajectory temporal encoder that models dynamic EEG with two streams, where node signals capture regional oscillations and edge signals capture interregional coupling; (2) a topology-aware positional encoder that derives graph-spectral Laplacian coordinates from the fused connectivity and augments node embeddings; (3) a node-guided sparse explanatory edge mask that gates the connectivity into a compact subgraph; and (4) a gated graph predictor that operates on the sparsified graph. The framework is trained using cross-entropy loss together with a sparsity regularizer on the mask, yielding noise-robust and interpretable diagnoses. The effectiveness of SeeGraph is validated on public and in-house EEG cohorts, including patients with neurodegenerative dementias and healthy controls, under both raw and noise-perturbed conditions. Its sparse, node-guided explanations highlight disease-relevant connections and align with established clinical findings on functional connectivity alterations, thereby offering transparent cues for neurological evaluation.
- Abstract（参考訳）: ノイズ,非定常脳波(EEG)による難治性認知症の診断は臨床的に必須であるが,依然として困難である。
この目的のために、SeeGraphは、時間発展する機能的接続をモデル化し、ノード誘導のスパースエッジマスクを用いて診断決定を駆動するコネクションを明らかにするとともに、ノイズやクロスサイト可変性に頑健なSeeGraphを提案する。
SeeGraph は,(1) ノード信号が局所振動を捕捉し,エッジ信号が領域間結合を捕捉する,2つのストリームで動的脳波をモデル化する,二重軌道時空間エンコーダ,(2) グラフ-スペクトルラプラシア座標を融合接続と拡張ノード埋め込みから導出するトポロジー-認識位置エンコーダ,(3) ノード誘導スパース説明エッジマスクにより接続をコンパクトなサブグラフにゲートする,(4) グラフ予測器を疎結合グラフ上で動作させる。
クロスエントロピー損失とマスク上のスペーサ正規化器を用いてトレーニングし,ノイズローバストと解釈可能な診断を行う。
SeeGraphの有効性は、神経変性性認知症や健康なコントロールを持つ患者を含む、公立および社内の脳波コホートで、生と雑音の両条件下で検証されている。
その希薄でノード誘導的な説明は、疾患に関連するつながりを強調し、機能的接続の変化に関する確立された臨床所見と一致し、神経学的評価のための透明な手がかりを提供する。
関連論文リスト
- MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。
TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
論文 参考訳（メタデータ） (2025-11-13T06:30:41Z) - Bridging Accuracy and Explainability in EEG-based Graph Attention Network for Depression Detection [1.1147827531284868]
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。
論文 参考訳（メタデータ） (2025-10-29T18:50:59Z) - Graph Signal Generative Diffusion Models [74.75869068073577]
拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。
アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。
株価の確率予測における拡散モデルの有効性を実証する。
論文 参考訳（メタデータ） (2025-09-21T21:57:27Z) - EEG2GAIT: A Hierarchical Graph Convolutional Network for EEG-based Gait Decoding [8.529597745689195]
脳波信号からの歩行動態の復号化は、運動過程の複雑な空間依存性に起因する重要な課題である。
脳波チャネルのマルチレベル空間埋め込みをキャプチャする新しい階層グラフベースモデルであるEEG2GAITを提案する。
また,2回の研究室訪問で50名の被験者から収集した脳波と下肢関節角度データを組み合わせたGait-EEGデータセットを新たに提供した。
論文 参考訳（メタデータ） (2025-04-02T07:48:21Z) - Decoupled Graph Energy-based Model for Node Out-of-Distribution Detection on Heterophilic Graphs [61.226857589092]
グラフ学習におけるノードのOOD検出は未探索のままである。
GNNSafeは、最先端の性能を持つグラフ領域にエネルギーベースの検出を適用した。
本稿では,学習過程をノード表現のためのトポロジ情報を利用するグラフエンコーダと,遅延空間で動作するエネルギーヘッドの2つの部分に分解するDeGEMを紹介する。
論文 参考訳（メタデータ） (2025-02-25T07:20:00Z) - 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) - 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) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for
Reading Task Identification [79.41619843969347]
我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。
本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。
このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
論文 参考訳（メタデータ） (2021-02-21T18:19:49Z)
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。