論文の概要: M-LINKX: Multiview Graph Learning for Brain Cognitive Disease Detection

• arxiv url: http://arxiv.org/abs/2608.14847v1
• Date: Fri, 14 Aug 2026 19:39:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.101312
• Title: M-LINKX: Multiview Graph Learning for Brain Cognitive Disease Detection
• Title（参考訳）: M-LINKX:脳認知疾患検出のための多視点グラフ学習
• Abstract要約: 脳波による認知症関連疾患の分類(アルツハイマー病(AD)を含む)は、脳波信号がうるさく、非定常的であり、被験者によって異なるため困難である。 脳波による認知症分類のための多視点グラフ学習フレームワークであるM-LINKXを提案する。
• 参考スコア（独自算出の注目度）: 9.610918081918642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalogram (EEG) is a non-invasive and relatively low-cost procedure that measures brain electricity for the detection of cognitive diseases. EEG-based classification of dementia-related conditions, including Alzheimer's disease (AD), mild cognitive impairment (MCI), and frontotemporal dementia (FTD), remains challenging because EEG signals are noisy, non-stationary, and vary across subjects. Segment-based learning provides a practical way to model long EEG recordings by converting them into fixed-length inputs. For each segment, discriminative information may be explored by using signals within each channel (i.e. electrode), as well as interactions between EEG channels. In this paper, we propose M-LINKX, a multi-view graph learning framework for EEG-based dementia classification. For each segment, we extract channel-level node features and construct multiple functional-connectivity (FC) graph views, where each view is defined by a specific combination of connectivity metric, frequency band, and topology filter, respectively. Instead of relying on message passing over the constructed graphs, M-LINKX follows a simple design in modeling node features and adjacency-based connectivity representations. The graph-view representations are fused using global trainable view weights, and subject-level prediction is obtained by averaging segment-level probabilities. Experiments on two three-class EEG datasets with different diagnostic groups, CAUEEG (HC/MCI/Dementia) and AHEAP (HC/AD/FTD), show that M-LINKX achieves the best subject-level performance under the main experimental settings. Our study suggests that multi-view functional connectivity can improve EEG-based dementia classification when integrated with an appropriate graph-learning architecture. Code and data are available at https://github.com/anphantt/MLINKX.
• Abstract（参考訳）: 脳波(Electroencephalogram、EEG)は、脳波を計測して認知疾患を検出する非侵襲的で比較的低コストな方法である。 脳波による認知障害(AD)、軽度認知障害(MCI)、前頭側頭型認知症(FTD)などの認知症関連疾患の分類は、脳波信号がうるさく、非定常的であり、被験者によって異なるため、依然として困難である。 セグメントベースの学習は、それらを固定長の入力に変換することによって、長い脳波記録をモデル化する実用的な方法を提供する。 各セグメントについて、識別情報は各チャネル内の信号(すなわち電極)とEEGチャネル間の相互作用を用いて探索することができる。 本稿では,脳波による認知症分類のための多視点グラフ学習フレームワークであるM-LINKXを提案する。 各セグメントに対して、チャネルレベルのノードの特徴を抽出し、複数の機能接続性(FC)グラフビューを構築し、各ビューをそれぞれ接続距離、周波数帯域、位相フィルタの特定の組み合わせで定義する。 構築されたグラフ上のメッセージパッシングに頼る代わりに、M-LINKXはノード機能と隣接性ベースの接続表現をモデル化するシンプルな設計に従う。 グラフビュー表現は、グローバルなトレーニング可能なビューウェイトを用いて融合し、セグメントレベルの確率を平均化して主観レベルの予測を得る。 診断グループが異なる2つの3クラス脳波データセットであるCAUEEG(HC/MCI/Dementia)とAHEAP(HC/AD/FTD)の実験は、M-LINKXが主実験条件下で最高の主観的パフォーマンスを達成することを示す。 本研究は,脳波による認知症分類を適切なグラフ学習アーキテクチャと統合した場合に,多視点機能接続により改善できることを示唆する。 コードとデータはhttps://github.com/anphantt/MLINKXで公開されている。

関連論文リスト

• GraM-Diff: A Unified Graph-Mamba Diffusion Framework for EEG-Based Alzheimer's Disease Data Generation and Diagnosis [7.064709096702816]
  脳波合成のための統一型分類器誘導グラフマンバ拡散フレームワークGraM-Diffを提案する。 拡散U-Net内にグラフ畳み込みネットワークを組み込んで、電界間の接続をモデル化し、線形複雑で長期の時間的モデリングのための双方向マンバ状態空間ブロックをモデル化する。 EEGベースのADベンチマーク4つのベンチマークで、合成強化は分類を改善し、強力な生成ベースラインよりも優れたコンテキストFIDと相関スコアを獲得し、データスカース設定の堅牢性を高める。
  論文  参考訳（メタデータ） (2026-08-30T12:37:47Z)
• Gated Multi-Graph Fusion via Graph Attention Networks for Alzheimer's Disease Detection [52.36198268369384]
  自然発声はアルツハイマー病(AD)にとって重要な非侵襲的バイオマーカーである 本稿では,音声を自動音声認識(ASR)で書き起こし,セマンティック,依存性,共起グラフを構築するマルチビューGated Graph Attention Networkを提案する。
  論文  参考訳（メタデータ） (2026-06-30T06:15:59Z)
• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• EEG-SeeGraph: Interpreting functional connectivity disruptions in dementias via sparse-explanatory dynamic EEG-graph learning [22.684074417779495]
  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。
  論文  参考訳（メタデータ） (2026-03-03T08:56:13Z)
• 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)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• 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)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• 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)
• GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals [8.19994663278877]
  グラフ畳み込みニューラルネットワーク(GCN)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し,生の脳波信号の復号性能を向上させる。 導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
  論文  参考訳（メタデータ） (2020-06-16T04:57:12Z)
• 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)

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。