論文の概要: A hemodynamic decomposition model for detecting cognitive load using functional near-infrared spectroscopy

• arxiv url: http://arxiv.org/abs/2001.08579v1
• Date: Wed, 22 Jan 2020 18:56:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 18:57:26.910245
• Title: A hemodynamic decomposition model for detecting cognitive load using functional near-infrared spectroscopy
• Title（参考訳）: 機能近赤外分光法による認知負荷検出のための血行動態分解モデル
• Authors: Marco A. Pinto-Orellana, Diego C. Nascimento, Peyman Mirtaheri, Rune Jonassen, Anis Yazidi and Hugo L. Hammer
• Abstract要約: 本研究では,機能近赤外分光のためのパラメトリックデータ駆動モデルを導入し,信号の独立性,再スケール性,時間シフト性,血行力学的基底関数に分解する。 FNIRS信号の認知負荷分類タスクに先進的HDMを適用することにより,86.20%+-2.56%の精度を実現した。
• 参考スコア（独自算出の注目度）: 4.6242112054242925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the current paper, we introduce a parametric data-driven model for functional near-infrared spectroscopy that decomposes a signal into a series of independent, rescaled, time-shifted, hemodynamic basis functions. Each decomposed waveform retains relevant biological information about the expected hemodynamic behavior. The model is also presented along with an efficient iterative estimation method to improve the computational speed. Our hemodynamic decomposition model (HDM) extends the canonical model for instances when a) the external stimuli are unknown, or b) when the assumption of a direct relationship between the experimental stimuli and the hemodynamic responses cannot hold. We also argue that the proposed approach can be potentially adopted as a feature transformation method for machine learning purposes. By virtue of applying our devised HDM to a cognitive load classification task on fNIRS signals, we have achieved an accuracy of 86.20%+-2.56% using six channels in the frontal cortex, and 86.34%+-2.81% utilizing only the AFpz channel also located in the frontal area. In comparison, state-of-the-art time-spectral transformations only yield 64.61%+-3.03% and 37.8%+-2.96% under identical experimental settings.
• Abstract（参考訳）: 本稿では,関数型近赤外分光法におけるパラメトリックデータ駆動モデルについて紹介する。 各分解波形は、期待される血行動態に関する関連する生物学的情報を保持する。 また, 計算速度を改善するための効率的な反復推定手法とともに, モデルを提案する。 私たちの血行動態分解モデル(HDM)は、インスタンスの標準モデルを拡張する。 a) 外部刺激が未知であるか、又は b) 実験刺激と血行反応との直接的な関係の仮定が持たない場合。 また,提案手法を機械学習のための機能変換手法として活用する可能性も示唆した。 FNIRS信号の認知負荷分類タスクに先進的HDMを適用することにより、前頭皮質の6チャンネルを用いて86.20%+-2.56%、前頭皮質のAFpzチャネルのみを利用する86.34%+-2.81%の精度を実現した。 一方、最先端の時間スペクトル変換は64.61%+-3.03%と37.8%+-2.96%しか同じ条件下では得られない。

関連論文リスト

• Multi-Parameter Molecular MRI Quantification using Physics-Informed Self-Supervised Learning [0.0]
  生体物理モデルフィッティングは、生理的信号や画像から定量的パラメータを得る上で重要な役割を果たしている。 本稿では,常微分方程式(ODE)モデルを用いてパラメータ抽出逆問題の解法を提案する。 これは、数値ODEソルバをステップワイズ解析として機能させ、自動微分に基づく最適化と互換性を持たせることで実現される。
  論文  参考訳（メタデータ） (2024-11-10T12:40:33Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Spatio-temporally separable non-linear latent factor learning: an application to somatomotor cortex fMRI data [0.0]
  潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。 空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。 本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-26T21:30:22Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Fast Posterior Estimation of Cardiac Electrophysiological Model Parameters via Bayesian Active Learning [6.413608840146938]
  心臓モデルパラメータの後方確率密度関数を近似するベイズ能動学習法を提案する。 正規獲得関数を用いたベイズ能動的学習と比較して, 後方pdfの近似精度が向上したことを示す。
  論文  参考訳（メタデータ） (2021-10-13T16:43:34Z)
• Improving Phenotype Prediction using Long-Range Spatio-Temporal Dynamics of Functional Connectivity [9.015698823470899]
  空間と時間にまたがる機能的脳結合をモデル化するためのアプローチを提案する。 我々は、性別分類とインテリジェンス予測にヒューマン・コネクトーム・プロジェクト(Human Connectome Project)データセットを使用する。 その結果、性別の予測精度は94.4%、流体インテリジェンス(0.325対0.144)との相関は、空間と時間を別々に符号化するベースラインモデルと比較して改善された。
  論文  参考訳（メタデータ） (2021-09-07T14:23:34Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Physics-informed neural networks for myocardial perfusion MRI quantification [3.318100528966778]
  本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
  論文  参考訳（メタデータ） (2020-11-25T16:02:52Z)

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。