論文の概要: Mapping Motor Cortex Stimulation to Muscle Responses: A Deep Neural
Network Modeling Approach
- arxiv url: http://arxiv.org/abs/2002.06250v1
- Date: Fri, 14 Feb 2020 21:24:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 03:45:53.260222
- Title: Mapping Motor Cortex Stimulation to Muscle Responses: A Deep Neural
Network Modeling Approach
- Title(参考訳): 筋反応に対する運動皮質刺激のマッピング:ディープニューラルネットワークモデルによるアプローチ
- Authors: Md Navid Akbar, Mathew Yarossi, Marc Martinez-Gost, Marc A. Sommer,
Moritz Dannhauer, Sumientra Rampersad, Dana Brooks, Eugene Tunik, Deniz
Erdo\u{g}mu\c{s}
- Abstract要約: 対応する脳刺激から筋反応を確実にモデル化できるディープニューラルネットワーク(DNN)は、協調運動制御の知識を増大させる可能性がある。
本研究では,M2M-Netの最適性能に対して,最小二乗誤差を持つモデルを提案する。
- 参考スコア(独自算出の注目度): 1.0118253437732934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A deep neural network (DNN) that can reliably model muscle responses from
corresponding brain stimulation has the potential to increase knowledge of
coordinated motor control for numerous basic science and applied use cases.
Such cases include the understanding of abnormal movement patterns due to
neurological injury from stroke, and stimulation based interventions for
neurological recovery such as paired associative stimulation. In this work,
potential DNN models are explored and the one with the minimum squared errors
is recommended for the optimal performance of the M2M-Net, a network that maps
transcranial magnetic stimulation of the motor cortex to corresponding muscle
responses, using: a finite element simulation, an empirical neural response
profile, a convolutional autoencoder, a separate deep network mapper, and
recordings of multi-muscle activation. We discuss the rationale behind the
different modeling approaches and architectures, and contrast their results.
Additionally, to obtain a comparative insight of the trade-off between
complexity and performance analysis, we explore different techniques, including
the extension of two classical information criteria for M2M-Net. Finally, we
find that the model analogous to mapping the motor cortex stimulation to a
combination of direct and synergistic connection to the muscles performs the
best, when the neural response profile is used at the input.
- Abstract(参考訳): 対応する脳刺激から筋反応を確実にモデル化できるディープニューラルネットワーク(DNN)は、多数の基礎科学や応用ユースケースに対する協調運動制御の知識を高める可能性がある。
このような症例には、脳卒中による神経障害による異常な運動パターンの理解や、ペア結合刺激のような神経学的回復のための刺激に基づく介入が含まれる。
本研究では, 有限要素シミュレーション, 経験的神経応答プロファイル, 畳み込みオートエンコーダ, 分離ディープネットワークマッパー, マルチ筋肉活性化記録などを用いて, 運動野の経頭蓋磁気刺激を対応する筋反応にマッピングするネットワークであるm2m-netの最適性能に, 最小二乗誤差のモデルが推奨される。
異なるモデリングアプローチとアーキテクチャの背景にある理論的根拠について議論し、それらの結果を対比する。
さらに,複雑性と性能分析のトレードオフを比較検討するために,m2m-net の2つの古典的情報基準の拡張など,様々な手法を検討する。
最後に, 運動野刺激を筋への直接的および相乗的結合の組合せにマッピングするモデルが, 入力時に神経応答プロファイルを用いることで, 最善であることがわかった。
関連論文リスト
- Learning with Chemical versus Electrical Synapses -- Does it Make a
Difference? [61.85704286298537]
バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。
我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
論文 参考訳(メタデータ) (2023-11-21T13:07:20Z) - A Spiking Binary Neuron -- Detector of Causal Links [0.0]
因果関係認識は、学習行動、行動計画、外界ダイナミクスの推論を目的としたニューラルネットワークの基本的な操作である。
本研究は、単純なスパイク二元性ニューロンを用いた因果関係認識を実現するための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-15T15:34:17Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - Deep Representations for Time-varying Brain Datasets [4.129225533930966]
本稿では、領域マップされたfMRIシーケンスと構造接続性の両方を入力として組み込んだ効率的なグラフニューラルネットワークモデルを構築する。
サンプルレベルの適応的隣接行列を学習することで、潜伏する脳のダイナミクスのよい表現を見つけ出す。
これらのモジュールは容易に適応でき、神経科学領域以外の用途にも有用である可能性がある。
論文 参考訳(メタデータ) (2022-05-23T21:57:31Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳(メタデータ) (2022-05-06T03:45:36Z) - Ranking of Communities in Multiplex Spatiotemporal Models of Brain
Dynamics [0.0]
隠れマルコフグラフモデル(HMs)と呼ぶ多重脳状態グラフモデルとして、ニューラルHMMの解釈を提案する。
この解釈により、ネットワーク分析技術の完全なレパートリーを使用して、動的脳活動を分析することができる。
ランダムウォークに基づく手法を用いて,脳領域の重要なコミュニティを決定するための新しいツールを開発した。
論文 参考訳(メタデータ) (2022-03-17T12:14:09Z) - Modeling Spatio-Temporal Dynamics in Brain Networks: A Comparison of
Graph Neural Network Architectures [0.5033155053523041]
グラフニューラルネットワーク(GNN)は、新しい構造化グラフ信号の解釈を可能にする。
基板上の局所的な機能的相互作用を学習することにより、GNNベースのアプローチが大規模ネットワーク研究に堅牢に拡張可能であることを示す。
論文 参考訳(メタデータ) (2021-12-08T12:57:13Z) - Increasing Liquid State Machine Performance with Edge-of-Chaos Dynamics
Organized by Astrocyte-modulated Plasticity [0.0]
液体状態機械(LSM)は勾配のバックプロパゲーションなしで内部重量を調整する。
近年の知見は、アストロサイトがシナプスの可塑性と脳のダイナミクスを調節していることを示唆している。
本稿では, 自己組織的近接臨界力学を用いて, 性能の低いニューロン-アストロサイト液状状態機械 (NALSM) を提案する。
論文 参考訳(メタデータ) (2021-10-26T23:04:40Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳(メタデータ) (2021-09-22T16:52:51Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳(メタデータ) (2020-04-08T06:55:12Z)
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。