ترجمه فارسی مقاله تشخیص بیماری پارکینسون از EEG در حالت استراحت با استفاده از یادگیری ساختار گراف چند سر با توضیحات توجه گراف وزنی گرادیان

چکیده

Parkinson’s disease (PD) is a debilitating neurodegenerative disease that has severe impacts on an individual’s quality of life. Compared with structural and functional MRI-based biomarkers for the disease, electroencephalography (EEG) can provide more accessible alternatives for clinical insights. While deep learning (DL) techniques have provided excellent outcomes, many techniques fail to model spatial information and dynamic brain connectivity, and face challenges in robust feature learning, limited data sizes, and poor explainability. To address these issues, we proposed a novel graph neural network (GNN) technique for explainable PD detection using resting state EEG. Specifically, we employ structured global convolutions with contrastive learning to better model complex features with limited data, a novel multi-head graph structure learner to capture the non-Euclidean structure of EEG data, and a head-wise gradient-weighted graph attention explainer to offer neural connectivity insights. We developed and evaluated our method using the UC San Diego Parkinson’s disease EEG dataset, and achieved 69.40% detection accuracy in subject-wise leave-one-out cross-validation while generating intuitive explanations for the learnt graph topology.

چکیده به فارسی (ترجمه ماشینی)

بیماری پارکینسون (PD) یک بیماری عصبی ناتوان کننده است که تأثیرات شدیدی بر کیفیت زندگی فرد دارد.در مقایسه با نشانگرهای زیستی مبتنی بر MRI ساختاری و عملکردی برای این بیماری ، الکتروانسفالوگرافی (EEG) می تواند گزینه های قابل دسترسی تری برای بینش بالینی فراهم کند.در حالی که تکنیک های یادگیری عمیق (DL) نتایج بسیار خوبی را ارائه داده اند ، بسیاری از تکنیک ها قادر به مدل سازی اطلاعات مکانی و اتصال پویا مغز نیستند و در یادگیری ویژگی های قوی ، اندازه داده های محدود و توضیح ضعیف با چالش هایی روبرو هستند.برای پرداختن به این موضوعات ، ما یک تکنیک جدید شبکه عصبی نمودار (GNN) را برای تشخیص PD قابل توضیح با استفاده از حالت استراحت EEG پیشنهاد کردیم.به طور خاص ، ما از پیچیدگی های جهانی ساختاری با یادگیری متضاد استفاده می کنیم تا ویژگی های پیچیده ای را با داده های محدود ، یک یادگیرنده نمودار چند سر جدید برای ضبط ساختار غیر الکلیدسی داده های EEG و یک نمودار با وزن شیب ای با سر و صدا توضیح دهیم.بینش های اتصال عصبی را ارائه دهید.ما روش خود را با استفاده از مجموعه داده EEG UC San Diego Parkinson’s Parkinson تهیه و ارزیابی کردیم و در ضمن ایجاد توضیحات بصری برای توپولوژی نمودار آموخته شده ، 69.40 ٪ تشخیص را در اعتبار سنجی متقاطع یکپارچه به دست آوردیم.