論文の概要: SA-HGNN: Sample-Adaptive Hyperbolic Graph Neural Network for EEG-Based Depression Recognition

• arxiv url: http://arxiv.org/abs/2607.02063v1
• Date: Thu, 02 Jul 2026 11:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.817885
• Title: SA-HGNN: Sample-Adaptive Hyperbolic Graph Neural Network for EEG-Based Depression Recognition
• Title（参考訳）: SA-HGNN:脳波による抑うつ認識のためのサンプル適応型ハイパーボリックグラフニューラルネットワーク
• Abstract要約: グラフニューラルネットワーク(GNN)は、空間的機能的接続パターンを捕捉し、脳波(EEG)に基づくうつ病認識性能を改善するために広く利用されている。 本稿では,うつ病に罹患した脳ネットワークの真の階層構造を正確に抽出することを目的とした,SA-HGNN(Sample-Adaptive Hyperbolic Graph Neural Network)という新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 6.537465671812556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have been widely used to capture spatial functional connectivity patterns to improve electroencephalography (EEG)-based depression recognition performance. However, the functional connectivity of brain networks in patients with depression exhibits an inherent hierarchical structure, making it difficult to capture accurate connection patterns. To address these issues, this paper proposes a novel model named Sample-Adaptive Hyperbolic Graph Neural Network (SA-HGNN), which aims to accurately extract the authentic hierarchical structure of depression-affected brain networks. Specifically, the proposed model comprises three core modules. First, a Sample-Adaptive Graph Construction module dynamically constructs personalized brain network topologies to capture more complex spatial relationships within the brain network. Second, hyperbolic graph convolution is employed to overcome the representation bottlenecks of Euclidean space, leveraging hyperbolic geometry to precisely capture latent hierarchical relationships within the brain network. Finally, an Attention Pooling module adaptively filters out highly redundant noise channels in EEG signals, effectively mitigating the interference of inherent noise on the authentic hierarchical topology. Extensive experiments on public EEG datasets demonstrate the superior performance of our method across resting-state and task-related paradigms, validating its robustness to noise and efficacy in capturing abnormal functional connectivity patterns in brain networks of patients with depression.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、空間的機能的接続パターンを捕捉し、脳波(EEG)に基づくうつ病認識性能を改善するために広く利用されている。 しかし、うつ病患者の脳ネットワークの機能的接続は本質的に階層構造であり、正確な接続パターンを捉えることは困難である。 これらの問題に対処するために,抑うつに影響を及ぼす脳ネットワークの真の階層構造を正確に抽出することを目的とした,SA-HGNN(Sample-Adaptive Hyperbolic Graph Neural Network)という新しいモデルを提案する。 具体的には、3つのコアモジュールからなるモデルを提案する。 まず、サンプル適応グラフ構築モジュールは、パーソナライズされた脳ネットワークトポロジを動的に構築し、脳ネットワーク内のより複雑な空間関係をキャプチャする。 第二に、双曲グラフの畳み込みはユークリッド空間の表現ボトルネックを克服するために使われ、双曲幾何学を利用して脳ネットワーク内の潜在階層関係を正確に捉える。 最後に、アテンションプーリングモジュールは、EEG信号の高度に冗長なノイズチャネルを適応的にフィルタリングし、真の階層的トポロジに対する固有のノイズの干渉を効果的に軽減する。 脳波データセットの大規模な実験により、うつ病患者の脳ネットワークにおける機能的接続パターンの把握において、安静状態およびタスク関連パラダイムにおける我々の手法の優れた性能を示し、ノイズに対する頑健さと有効性を検証した。

関連論文リスト

• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• MorphSNN: Adaptive Graph Diffusion and Structural Plasticity for Spiking Neural Networks [20.207135245363386]
  スパイキングニューラルネットワーク(SNN)は現在、重大なボトルネックに直面している。 個々のニューロンは動的生物学的性質を示すが、マクロな構造は従来の接続パターンに限られている。 生体内非シナプス拡散と構造塑性にインスパイアされたバックボーンフレームワークであるMorphSNNを提案する。
  論文  参考訳（メタデータ） (2026-03-15T08:52:57Z)
• Neurocircuitry-Inspired Hierarchical Graph Causal Attention Networks for Explainable Depression Identification [5.067010036621563]
  本稿では,神経科学領域の知識を深層学習にブリッジする新しいフレームワークであるNH-GCAT(Neurocircuitry-Inspired Hierarchical Graph Causal Attention Networks)を紹介する。 提案手法では, 局所脳の局所レベルにおいて, 時間的血液酸素濃度依存性(BOLD)のダイナミックスと機能的接続パターンを融合した残差ゲート融合モジュールを設計し, 局所的うつ病関連低周波神経振動を捕捉する手法, マルチリージョン回路レベルでは, 確立されたうつ病神経回路網の組織に従って局所ノード表現を集約する階層回路符号化方式を提案する。
  論文  参考訳（メタデータ） (2025-11-18T16:50:04Z)
• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• 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)
• Brain-HGCN: A Hyperbolic Graph Convolutional Network for Brain Functional Network Analysis [12.899767824635433]
  双曲幾何学に基づく幾何学的深層学習フレームワークBrain-HGCNを提案する。 精神疾患分類のための2つの大規模fMRIデータセットの実験は、我々のアプローチが最先端のユークリッドベースラインを大きく上回っていることを示している。 この研究は、fMRI分析のための新しい幾何学的深層学習パラダイムを開拓し、計算心理学の分野における双曲型GNNの潜在可能性を強調した。
  論文  参考訳（メタデータ） (2025-09-18T13:55:02Z)
• Brain Network Classification Based on Graph Contrastive Learning and Graph Transformer [0.6906005491572401]
  本稿では,グラフコントラスト学習をグラフ変換器と統合したPHGCL-DDGformerという新しいモデルを提案する。 実世界のデータセットによる実験結果から、PHGCL-DDGformerモデルは、脳ネットワーク分類タスクにおける既存の最先端のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-01T13:26:03Z)
• A Hybrid Graph Neural Network for Enhanced EEG-Based Depression Detection [13.630263347774125]
  グラフニューラルネットワーク(GNN)は、脳波によるうつ病検出でますます人気が高まっている。 従来のGNNベースの手法では、抑うつの特性を十分に考慮できないため、性能が制限される。 固定接続を利用した共通グラフニューラルネットワーク(CGNN)と適応接続を用いた個別グラフニューラルネットワーク(IGNN)を併用したハイブリッドGNNを提案する。
  論文  参考訳（メタデータ） (2024-10-08T13:57:50Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)

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。