Fugu-MT 論文翻訳(概要): Mapping Motor Cortex Stimulation to Muscle Responses: A Deep Neural Network Modeling Approach

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

MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文参考訳（メタデータ） (2024-05-28T00:36:25Z)
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)
MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文参考訳（メタデータ） (2024-04-11T15:46:42Z)
The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文参考訳（メタデータ） (2023-06-14T13:34:13Z)
Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文参考訳（メタデータ） (2023-03-30T02:40:28Z)
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)

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。