Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of Alzheimer’s Disease using EEG Data

要約

グラフ ニューラル ネットワーク (GNN) モデルは、脳波 (EEG) データの分類に使用されることが増えています。
しかし、アルツハイマー病 (AD) などの神経障害の GNN ベースの診断は、依然として比較的未開発の研究領域です。
これまでの研究では、機能的接続法に依存して脳グラフ構造を推論し、AD の診断には単純な GNN アーキテクチャを使用していました。
この研究では、説明可能な予測を提供できる新しい適応ゲート型グラフ畳み込みネットワーク (AGGCN) を提案します。
AGGCN は、畳み込みベースのノード機能強化と機能接続性のよく知られた相関ベースの測定を組み合わせることにより、グラフ構造を適応的に学習します。
さらに、ゲート グラフの畳み込みは、さまざまな空間スケールの寄与を動的に重み付けできます。
提案したモデルは、目を閉じた状態と開いた状態の両方で高い精度を達成し、学習された表現の安定性を示しています。
最後に、提案された AGGCN モデルが、アルツハイマー病に関連した脳ネットワークの変化のさらなる研究に関連する可能性のある予測の一貫した説明を生成することを実証します。

要約(オリジナル)

Graph neural network (GNN) models are increasingly being used for the classification of electroencephalography (EEG) data. However, GNN-based diagnosis of neurological disorders, such as Alzheimer’s disease (AD), remains a relatively unexplored area of research. Previous studies have relied on functional connectivity methods to infer brain graph structures and used simple GNN architectures for the diagnosis of AD. In this work, we propose a novel adaptive gated graph convolutional network (AGGCN) that can provide explainable predictions. AGGCN adaptively learns graph structures by combining convolution-based node feature enhancement with a well-known correlation-based measure of functional connectivity. Furthermore, the gated graph convolution can dynamically weigh the contribution of various spatial scales. The proposed model achieves high accuracy in both eyes-closed and eyes-open conditions, indicating the stability of learned representations. Finally, we demonstrate that the proposed AGGCN model generates consistent explanations of its predictions that might be relevant for further study of AD-related alterations of brain networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google