論文の概要: Distance-Aware Joint Spatio-Temporal Graph Contrastive Learning for Major Depressive Disorder Diagnosis

• arxiv url: http://arxiv.org/abs/2605.24066v1
• Date: Fri, 22 May 2026 06:12:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.572515
• Title: Distance-Aware Joint Spatio-Temporal Graph Contrastive Learning for Major Depressive Disorder Diagnosis
• Title（参考訳）: 重度うつ病診断のための距離認識型同時時空間グラフコントラスト学習
• Authors: Muhammad Asif Hasan, Yanming Zhu, Xuefei Yin, Alan Wee-Chung Liew,
• Abstract要約: 大うつ病(Major depressive disorder、MDD)は、安静時機能的MRI(rs-fMRI)からの正確な診断が困難である一般的な疾患である。 動的機能接続(DFC)は、脳領域間の時間的相互作用を捉え、リッチ時間相関を提供するが、DFCベースの手法には3つの制限がある。
• 参考スコア（独自算出の注目度）: 14.96995835279229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Major depressive disorder (MDD) is a common neuropsychiatric condition whose accurate diagnosis from resting-state functional magnetic resonance imaging (rs-fMRI) remains difficult. Dynamic functional connectivity (DFC) captures time-varying interactions among brain regions and provides rich spatio-temporal information, yet current DFC-based methods face three limitations: sliding-window Pearson correlation yields noisy estimates sensitive to window length and motion artifacts; correlation-derived node features do not fully exploit frequency-domain properties of blood-oxygen-level-dependent (BOLD) signals; and most spatio-temporal graph models handle spatial structure and temporal dynamics in separate stages, restricting their ability to represent coupled brain network evolution. To overcome these issues, we reformulate DFC learning as joint spatio-temporal graph representation learning under a Hawkes-process-inspired temporal dependency prior and propose HWSTCL, a two-stage framework built on a reliability-refined joint spatio-temporal graph with a kernel-weighted pretraining objective. Within each temporal window, BOLD signals are encoded as spectral node descriptors and functional edges are refined by an exponential distance-decay prior that down-weights less reliable long-range connections. The joint graph is then formed by linking each region to itself across future windows through a Hawkes-inspired exponential kernel, allowing spatial and temporal information to be propagated together during message passing. A kernel-weighted contrastive objective further promotes temporal consistency for each region across windows while reducing redundant similarity between different regions. Experiments on a benchmark rs-fMRI dataset show that HWSTCL outperforms recent baselines and yields coherent spatio-temporal representations for MDD diagnosis.
• Abstract（参考訳）: 大うつ病(Major depressive disorder, MDD)は、安静時機能的MRI(r-fMRI)からの正確な診断が困難である一般的な精神科疾患である。 動的機能接続(DFC)は、脳領域間の時間的相互作用をキャプチャし、豊富な時空間情報を提供するが、現在のDFCベースの手法は、3つの制限に直面している: スライドウインドウ ピアソン相関は、ウィンドウの長さや動きのアーチファクトに敏感なノイズの見積もりをもたらす。 これらの課題を克服するために,我々は,Hawsプロセスにインスパイアされた時間依存下での協調時空間グラフ表現学習としてDFC学習を再構成し,カーネル重み付き事前学習目的を持つ信頼性強化継手時空間グラフ上に構築された2段階のフレームワークであるHWSTCLを提案する。 各時間ウィンドウ内では、BOLD信号はスペクトルノードディスクリプタとして符号化され、機能エッジは、ダウンウェイトが信頼性の低い長距離接続よりも先に指数的な距離遅延によって洗練される。 次に、ジョイントグラフは、ホークスにインスパイアされた指数関数カーネルを通じて、各領域と将来のウィンドウをまたいで自身をリンクすることで形成され、メッセージパッシング中に空間的および時間的情報を同時に伝達することができる。 カーネル重み付きコントラスト目的により、異なる領域間の冗長な類似性を低減しつつ、ウィンドウ間の各領域の時間的一貫性が促進される。 ベンチマークrs-fMRIデータセットの実験では、HWSTCLは最近のベースラインよりも優れており、MDD診断のためのコヒーレントな時空間表現が得られる。

関連論文リスト

• MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
  状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。 MedMambaは線形計算複雑性を維持しながら最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-24T09:23:39Z)
• BrainSTR: Spatio-Temporal Contrastive Learning for Interpretable Dynamic Brain Network Modeling [11.472484296820225]
  BrainSTRは、動的脳ネットワークモデリングのための分散脳時間コントラスト学習フレームワークを学習する。 ASD、BD、MDDに関する試験は、以前の発見と一致する解釈可能な証拠を提供する。
  論文  参考訳（メタデータ） (2026-03-10T15:47:09Z)
• Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification [8.837732238971187]
  機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。 既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。 5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
  論文  参考訳（メタデータ） (2026-02-09T04:42:42Z)
• Unleashing Temporal Capacity of Spiking Neural Networks through Spatiotemporal Separation [67.69345363409835]
  スパイキングニューラルネットワーク(SNN)は、時間的処理に自然に適していると考えられており、膜電位の伝播は、コア時間的モデリングメカニズムとして広く見なされている。 我々は, 膜伝播を段階的に段階的に除去する非ステートフル(NS)モデルの設計を行った。
  論文  参考訳（メタデータ） (2025-12-05T07:05:53Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Brain Effective Connectivity Estimation via Fourier Spatiotemporal Attention [28.16273684461348]
  時間的・空間的注意(FSTA-EC)に基づく脳能動接続推定法を提案する。 FSTA-ECは、フーリエの注意と注意を組み合わせて、fMRIデータからシリーズ間(時間的)のダイナミックスとシリーズ内(時間的)の依存関係を同時にキャプチャする。 シミュレーションおよびリアルタイムfMRIデータセットの実験結果から,提案手法は最先端の手法と比較して優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2025-03-14T10:41:27Z)
• Efficient 4D fMRI ASD Classification using Spatial-Temporal-Omics-based Learning Framework [7.944298319589845]
  Resting-state fMRIは、脳の接続パターンをキャプチャする非侵襲的なツールで、早期のASD診断と分化を助ける。 平均時系列または全4Dデータに依存する従来の手法は、空間情報の欠如によって制限される。 ASD分類のためのfMRIから脳の時間的特徴を効率的に抽出するための,新しい,シンプルで効率的な時空間オミクス学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-26T18:31:07Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Decoupling and Recoupling Spatiotemporal Representation for RGB-D-based Motion Recognition [62.46544616232238]
  従来の動作認識手法は、密結合した多時間表現によって有望な性能を実現している。 本稿では,RGB-D に基づく動作認識において引き起こされた表現を分離し,再分離することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T18:59:47Z)
• Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
  BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。 St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
  論文  参考訳（メタデータ） (2020-03-24T01:56:50Z)

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。