論文の概要: A Bayesian incorporated linear non-Gaussian acyclic model for multiple directed graph estimation to study brain emotion circuit development in adolescence

• arxiv url: http://arxiv.org/abs/2006.12618v1
• Date: Tue, 16 Jun 2020 21:35:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-20 20:39:53.401763
• Title: A Bayesian incorporated linear non-Gaussian acyclic model for multiple directed graph estimation to study brain emotion circuit development in adolescence
• Title（参考訳）: 複数有向グラフ推定のためのベイズ型線形非ガウス非循環モデルによる青年期脳感情回路発達の研究
• Authors: Aiying Zhang, Gemeng Zhang, Biao Cai, Tony W. Wilson, Julia M. Stephen, Vince D. Calhoun and Yu-Ping Wang
• Abstract要約: 感情の識別能力は幼少期から始まり、幼少期から青年期にかけて成長を続ける。 前回の研究では、感情識別タスクにおいて、幼少期から成人期にかけての脳機能接続(FC)の軌跡を明らかにした。 ベイズ型線形非ガウス非巡回モデル (BiLiNGAM) を提案した。
• 参考スコア（独自算出の注目度）: 27.39669536270664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion perception is essential to affective and cognitive development which involves distributed brain circuits. The ability of emotion identification begins in infancy and continues to develop throughout childhood and adolescence. Understanding the development of brain's emotion circuitry may help us explain the emotional changes observed during adolescence. Our previous study delineated the trajectory of brain functional connectivity (FC) from late childhood to early adulthood during emotion identification tasks. In this work, we endeavour to deepen our understanding from association to causation. We proposed a Bayesian incorporated linear non-Gaussian acyclic model (BiLiNGAM), which incorporated our previous association model into the prior estimation pipeline. In particular, it can jointly estimate multiple directed acyclic graphs (DAGs) for multiple age groups at different developmental stages. Simulation results indicated more stable and accurate performance over various settings, especially when the sample size was small (high-dimensional cases). We then applied to the analysis of real data from the Philadelphia Neurodevelopmental Cohort (PNC). This included 855 individuals aged 8-22 years who were divided into five different adolescent stages. Our network analysis revealed the development of emotion-related intra- and inter- modular connectivity and pinpointed several emotion-related hubs. We further categorized the hubs into two types: in-hubs and out-hubs, as the center of receiving and distributing information. Several unique developmental hub structures and group-specific patterns were also discovered. Our findings help provide a causal understanding of emotion development in the human brain.
• Abstract（参考訳）: 感情知覚は、分散型脳回路を含む感情的および認知的発達に不可欠である。 感情の識別能力は幼少期から始まり、幼少期から青年期にかけて成長を続ける。 脳の感情回路の発達を理解することは、青年期に観察された感情の変化を説明するのに役立つかもしれない。 これまでの研究では、感情識別タスク中の小児後期から成人初期までの脳機能接続(fc)の軌跡を明らかにした。 本研究では,因果関係から因果関係への理解を深めようと努力する。 ベイズ系を組み込んだ線形非ガウス非巡回モデル(bilingam)を提案した。 特に、異なる発達段階における複数の年齢群に対する多重有向非巡回グラフ(DAG)を共同で推定することができる。 シミュレーションの結果、特にサンプルサイズが小さい場合(高次元の場合)、様々な設定でより安定で正確な性能を示した。 その後,フィラデルフィア神経発達コホート(pnc)からの実データの解析に適用した。 8～22歳の855人が5つの異なる青年期に分けられた。 ネットワーク分析の結果,感情関連とモジュール間接続が発達し,感情関連ハブが特定された。 さらにハブをインハブとアウトハブの2つのタイプに分類し,情報の受信と配信の中心とした。 いくつかの独特の発達ハブ構造とグループ固有のパターンも発見された。 我々の発見は、人間の脳における感情発達の因果的理解に役立つ。

関連論文リスト

• Parsing altered brain connectivity in neurodevelopmental disorders by integrating graph-based normative modeling and deep generative networks [1.2115617129203957]
  神経型接続パターンからの分岐の定量化は、診断と治療の介入を知らせる有望な経路を提供する。 本稿では,生物にインスパイアされた深層生成モデルと規範的モデリングを統合したBRIDGEフレームワークによる脳表現について述べる。 BRIDGEは、接続ベースの脳年齢と時間年齢の違いに基づくグローバルなニューロディバージェンススコアと、局所的な接続性の違いを強調する地域的なニューロディバージェンスマップを提供する。
  論文  参考訳（メタデータ） (2024-10-14T20:21:11Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• SynthBA: Reliable Brain Age Estimation Across Multiple MRI Sequences and Resolutions [4.543154658281538]
  脳年齢と時間年齢のギャップは、PAD(予測年齢差)と呼ばれ、神経変性の状況を調べるために利用されてきた。 脳年齢はMRIと機械学習技術を用いて予測できる。 我々は、脳年齢を予測するために設計された堅牢なディープラーニングモデル、Synthetic Brain Age(SynthBA)を紹介する。
  論文  参考訳（メタデータ） (2024-06-01T08:58:40Z)
• LoCI-DiffCom: Longitudinal Consistency-Informed Diffusion Model for 3D Infant Brain Image Completion [45.361733575664886]
  乳児の脳画像補完のための新しい長周期インフォームド拡散モデルであるLoCI-DiffComを提案する。 提案手法は,コンテキスト認識の整合性を確保しつつ,個別化された発達特徴を抽出することができる。
  論文  参考訳（メタデータ） (2024-05-17T10:53:40Z)
• Hybrid Models for Facial Emotion Recognition in Children [0.0]
  本稿では,遠隔操作型ロボットによる子どものセラピーの実践において,心理学者を支援するための感情認識技術の利用に焦点を当てた。 Embodied Conversational Agents (ECA) は、プロが社会的課題に直面している子供と繋がる手助けをする仲介ツールである。
  論文  参考訳（メタデータ） (2023-08-24T04:20:20Z)
• Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks [53.257804915263165]
  ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。 病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。 多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
  論文  参考訳（メタデータ） (2023-02-23T09:22:05Z)
• DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
  グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。 機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。 しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。 本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T20:45:30Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• A Few-shot Learning Graph Multi-Trajectory Evolution Network for Forecasting Multimodal Baby Connectivity Development from a Baseline Timepoint [53.73316520733503]
  本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。 これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
  論文  参考訳（メタデータ） (2021-10-06T08:26:57Z)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)
• Causality based Feature Fusion for Brain Neuro-Developmental Analysis [26.218572787292427]
  脳の成熟中に情報の流れの方向を付加することを提案する。 その動機は、因果相互作用を包含することで、2つの年齢グループ間の脳のつながりをさらに区別できるということである。 その結果,若年者では接続の強度が有意に高かった。
  論文  参考訳（メタデータ） (2020-01-22T17:38:42Z)

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。