Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Prevotella copri impairs bone mass via osteoclast activation in mice.

Molecular and cellular biochemistry·2026
Same author

A persistent germylyne radical enabling reversible σ-dimerization and diverse bond activation.

Nature communications·2026
Same author

Rule-Based Ion Prediction with Orthogonal Constraints Reveals Bacterial Phospholipid Remodeling Signatures.

Antibiotics (Basel, Switzerland)·2026
Same author

Respiratory efficiency and thermoregulatory responses of L-citrulline-supplemented broiler chickens under acute and chronic stress conditions.

Frontiers in physiology·2026
Same author

Dietary supplementation of Radix Isatidis polysaccharides improves meat quality in broilers by regulating lipid metabolism, antioxidant defense, and the gut-muscle axis.

Research in veterinary science·2026
Same author

BSO-AD: An Ontology for Representing and Harmonizing Behavioral Social Knowledge in ADRD.

medRxiv : the preprint server for health sciences·2026

関連する実験動画

Updated: Sep 9, 2025

Cortical Source Analysis of High-Density EEG Recordings in Children
09:32

Cortical Source Analysis of High-Density EEG Recordings in Children

Published on: June 30, 2014

21.5K

EEG分類のための皮質源再構築と対抗学習の統合

Yue Guo1,2, Yan Pei1, Rong Yao1

  • 1College of Computer Science and Technology (College of Data Science), Taiyuan University of Technology, Jinzhong 030600, China.

Sensors (Basel, Switzerland)
|August 28, 2025
PubMed
まとめ
この要約は機械生成です。

この研究は,電子脳図 (EEG) を用いた客観的なうつ病診断のための新しいディープラーニングモデルを導入しています. このモデルは,現在のEEG分析方法の限界に対処することによって,分類の精度を高めます.

キーワード:
CFEの戦略EEG についてGCN についてうつ病の分類ドメインの適応

さらに関連する動画

Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
11:28

Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging

Published on: June 30, 2018

11.8K
Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
08:45

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Published on: October 24, 2012

14.8K

関連する実験動画

Last Updated: Sep 9, 2025

Cortical Source Analysis of High-Density EEG Recordings in Children
09:32

Cortical Source Analysis of High-Density EEG Recordings in Children

Published on: June 30, 2014

21.5K
Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
11:28

Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging

Published on: June 30, 2018

11.8K
Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
08:45

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Published on: October 24, 2012

14.8K

科学分野:

  • 神経科学
  • 人工知能
  • 医療診断

背景:

  • 現在のうつ病の診断は 主観的な方法に依存し 客観性が欠けています
  • 電気脳波 (EEG) は 客観的なうつ病の診断に 非侵襲的で費用対効果の高い代替手段です
  • 既存のEEG分析は 音量伝導とクラス不均衡などの課題に直面し 診断の正確さを阻害しています

研究 の 目的:

  • EEG信号を用いた正確で客観的なうつ病分類のための高度なディープラーニングモデルを開発する.
  • ボリューム伝導効果とクラス不均衡を含む現在のEEG分析の限界を克服する.
  • EEGベースのうつ病診断の信頼性と性能を改善する.

主な方法:

  • 多段階のディープラーニングモデルを提案し,皮質特征抽出 (CFE),特征注意 (FA),グラフコンボリューションネットワーク (GCN),および焦点対抗領域適応 (FADA) を統合した.
  • CFEは,標準化された低解像度脳電磁トモグラフィ (sLORETA) を使用して,皮質信号の再構築と特徴抽出を行いました.
  • FAは,空間時間的な特徴の表現を強化するために多頭自己注意を採用し,GCNは機能的な接続性をモデル化しました.
  • FADAは,ドメインシフトとクラス不均衡を軽減するために,焦点損失とグラデントリバーサルレイヤ (GRL) を使用しました.

主要な成果:

  • 提案されたモデルは,PRED+CTデータセットで85.33%の分類精度を達成しました.
  • 既存の最先端の方法よりも 2.16%の改善を示した.
  • EEGデータに固有の音量伝導効果とクラス不均衡の問題に効果的に対処しました.

結論:

  • 開発された多段階のディープラーニングモデルは,EEGによる客観的なうつ病診断の有望性を示しています.
  • CFE,FA,GCN,FADAの統合は,EEGベースのうつ病分類のパフォーマンスを効果的に向上させます.
  • このアプローチは,現在の技術と比較して,うつ病を特定するためのより正確で信頼性の高い方法を提供します.