論文の概要: Early soft and flexible fusion of EEG and fMRI via tensor decompositions

• arxiv url: http://arxiv.org/abs/2005.07134v1
• Date: Tue, 12 May 2020 15:57:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 18:40:38.922539
• Title: Early soft and flexible fusion of EEG and fMRI via tensor decompositions
• Title（参考訳）: テンソル分解による脳波とfMRIの早期軟・柔軟な融合
• Authors: Christos Chatzichristos, Eleftherios Kofidis, Lieven De Lathauwer, Sergios Theodoridis, Sabine Van Huffel
• Abstract要約: PARA融合(PARA fusion)とは、同一タスクの補完的なビューを提供する複数のデータセットの合同解析である。 脳波とfMRIの同時解析は脳機能の研究に非常に有用である。 EEGは時間分解能が良く、fMRIは空間分解能が良い。
• 参考スコア（独自算出の注目度）: 9.678314671354153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data fusion refers to the joint analysis of multiple datasets which provide complementary views of the same task. In this preprint, the problem of jointly analyzing electroencephalography (EEG) and functional Magnetic Resonance Imaging (fMRI) data is considered. Jointly analyzing EEG and fMRI measurements is highly beneficial for studying brain function because these modalities have complementary spatiotemporal resolution: EEG offers good temporal resolution while fMRI is better in its spatial resolution. The fusion methods reported so far ignore the underlying multi-way nature of the data in at least one of the modalities and/or rely on very strong assumptions about the relation of the two datasets. In this preprint, these two points are addressed by adopting for the first time tensor models in the two modalities while also exploring double coupled tensor decompositions and by following soft and flexible coupling approaches to implement the multi-modal analysis. To cope with the Event Related Potential (ERP) variability in EEG, the PARAFAC2 model is adopted. The results obtained are compared against those of parallel Independent Component Analysis (ICA) and hard coupling alternatives in both simulated and real data. Our results confirm the superiority of tensorial methods over methods based on ICA. In scenarios that do not meet the assumptions underlying hard coupling, the advantage of soft and flexible coupled decompositions is clearly demonstrated.
• Abstract（参考訳）: data fusionは、同じタスクの補完的なビューを提供する複数のデータセットの合同分析を指す。 本稿では,脳波(EEG)と機能的磁気共鳴イメージング(fMRI)データを共同で解析する問題について考察する。 脳波とfMRIの同時解析は、これらのモーダルが相補的な時空間分解能を持つため、脳機能を研究する上で非常に有益である。 これまでに報告された融合法は、少なくとも1つのモダリティにおいてデータの多方向的性質を無視し、または2つのデータセットの関係について非常に強い仮定に依存している。 このプレプリントでは、これらの2つの点は、2つのモードにおいて初めてテンソルモデルを採用するとともに、二重結合テンソル分解を探求し、マルチモーダル解析を実装するためのソフトで柔軟なカップリングアプローチに従うことによって対処される。 脳波の事象関連電位(ERP)変動に対処するため、PARAFAC2モデルが採用されている。 その結果, 並列独立成分分析 (ICA) と, 実データとシミュレーションデータの両方におけるハードカップリング法を比較した。 ICAに基づく手法よりもテンソル法の方が優れていることを示す。 ハードカップリングの基礎となる仮定を満たさないシナリオでは、ソフトで柔軟な結合分解の利点が明らかに示される。

関連論文リスト

• Physics-Informed Latent Diffusion for Multimodal Brain MRI Synthesis [43.82741134285203]
  可変数の脳MRIモダリティを合成できる物理インフォームド生成モデルを提案する。 提案手法は遅延拡散モデルと2段階生成過程を利用する。 実験は、見えないMRコントラストを発生させ、身体的可視性を維持するためのこのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-09-20T14:21:34Z)
• FCNCP: A Coupled Nonnegative CANDECOMP/PARAFAC Decomposition Based on Federated Learning [6.854368686078438]
  本研究は,FCNCPと呼ばれるフェデレート学習に基づく,効率的な非負結合テンソル分解アルゴリズムフレームワークを開発することを提案する。 これは高次元データ表現と分解におけるテンソル分解の優れた識別性能を組み合わせたものである。 片側刺激は左右半球の活性化領域においてより対称な成分を誘導することがわかった。
  論文  参考訳（メタデータ） (2024-04-18T04:30:18Z)
• Joint Multimodal Transformer for Emotion Recognition in the Wild [49.735299182004404]
  マルチモーダル感情認識(MMER)システムは、通常、単調なシステムよりも優れている。 本稿では,キーベースのクロスアテンションと融合するために,ジョイントマルチモーダルトランス (JMT) を利用するMMER法を提案する。
  論文  参考訳（メタデータ） (2024-03-15T17:23:38Z)
• Coupled generator decomposition for fusion of electro- and magnetoencephalography data [1.7102695043811291]
  データ融合モデリングは、ソース固有の変数を考慮に入れながら、多様なデータソースにまたがる共通の特徴を識別することができる。 本稿では、テキスト結合型ジェネレータ分解の概念を導入し、データ融合のためのスパース主成分分析をいかに一般化するかを示す。
  論文  参考訳（メタデータ） (2024-03-02T12:09:16Z)
• Multimodal Relation Extraction with Cross-Modal Retrieval and Synthesis [89.04041100520881]
  本研究は,対象物,文,画像全体に基づいて,テキストおよび視覚的証拠を検索することを提案する。 我々は,オブジェクトレベル,画像レベル,文レベル情報を合成し,同一性と異なるモダリティ間の推論を改善する新しい手法を開発した。
  論文  参考訳（メタデータ） (2023-05-25T15:26:13Z)
• Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical Fusion for Multimodal Affect Recognition [69.32305810128994]
  モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。 本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。 HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
  論文  参考訳（メタデータ） (2023-05-23T01:24:15Z)
• 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)
• Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
  Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。 モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
  論文  参考訳（メタデータ） (2021-07-28T23:33:42Z)
• Heterogeneous Tensor Mixture Models in High Dimensions [5.656785831541303]
  我々は,不均質な共分散を持つ柔軟高次元テンソル混合モデルを導入する問題を考える。 本手法は,実パラメータの統計的近傍に幾何学的に収束することを示す。 自閉症スペクトラム障害の診断に重要な脳領域を明らかにする。
  論文  参考訳（メタデータ） (2021-04-15T21:06:16Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。