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

要約

【タイトル】EEGデータを用いたアルツハイマー病の診断における説明可能な適応ゲートグラフ畳み込みネットワーク

【要約】

– EEGデータの分類には、グラフニューラルネットワーク（GNN）モデルが用いられるようになってきている。
– しかしながら、アルツハイマー病などの神経疾患のためのGNNベースの診断は未だ一般的でない。
– 以前の研究では、脳グラフ構造を推測するために機能的連結法が使用され、簡単なGNNアーキテクチャがADの診断に使用されていた。
– 本研究では、アダプティブゲートグラフ畳み込みネットワーク（AGGCN）を提案している。これは、畳み込みベースのノード機能強化と機能的連結の知られた相関ベースの測定の組み合わせによって、グラフ構造を適応的に学習できる。
– さらに、ゲート付きグラフ畳み込みは、様々な空間スケールの寄与を動的に重み付けることができる。
– 提案されたモデルは、閉じた目と開いた目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る。
– 最後に、提案されたAGGCNモデルが生成する一貫した予測の説明を示し、これらの説明が脳ネットワークのAD関連の変化の研究に関連する可能性があることを示している。

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, OpenAI