論文の概要: Interpretable Visualization and Higher-Order Dimension Reduction for
ECoG Data
- arxiv url: http://arxiv.org/abs/2011.09447v3
- Date: Sat, 12 Dec 2020 19:11:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 07:53:29.078703
- Title: Interpretable Visualization and Higher-Order Dimension Reduction for
ECoG Data
- Title（参考訳）: ECoGデータの解釈可能可視化と高次次元化
- Authors: Kelly Geyer, Frederick Campbell, Andersen Chang, John Magnotti,
Michael Beauchamp, Genevera I. Allen
- Abstract要約: 我々は、正規化高次主成分分析と呼ばれる解釈可能な次元削減手法を開発する。
人間の音声の音声処理と視覚処理に関するECoGケーススタディにより,本手法の性能と解釈可能性を示す。
- 参考スコア（独自算出の注目度）: 0.6769127514113162
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: ElectroCOrticoGraphy (ECoG) technology measures electrical activity in the
human brain via electrodes placed directly on the cortical surface during
neurosurgery. Through its capability to record activity at a fast temporal
resolution, ECoG experiments have allowed scientists to better understand how
the human brain processes speech. By its nature, ECoG data is difficult for
neuroscientists to directly interpret for two major reasons. Firstly, ECoG data
tends to be large in size, as each individual experiment yields data up to
several gigabytes. Secondly, ECoG data has a complex, higher-order nature.
After signal processing, this type of data may be organized as a 4-way tensor
with dimensions representing trials, electrodes, frequency, and time. In this
paper, we develop an interpretable dimension reduction approach called
Regularized Higher Order Principal Components Analysis, as well as an extension
to Regularized Higher Order Partial Least Squares, that allows neuroscientists
to explore and visualize ECoG data. Our approach employs a sparse and
functional Candecomp-Parafac (CP) decomposition that incorporates sparsity to
select relevant electrodes and frequency bands, as well as smoothness over time
and frequency, yielding directly interpretable factors. We demonstrate the
performance and interpretability of our method with an ECoG case study on audio
and visual processing of human speech.
- Abstract（参考訳）: エレクトロコルチコグラフ(ECoG)技術は、脳外科手術中に皮質表面に直接置かれる電極を介して人間の脳の電気活動を測定する。
速い時間分解能で活動を記録する能力を通じて、ECoGの実験によって、人間の脳がどのように音声を処理しているかをよりよく理解できるようになった。
その性質上、神経科学者が2つの主要な理由で直接解釈することは困難である。
まず、ecogのデータはサイズが大きくなりがちで、個々の実験で最大数ギガバイトのデータが得られる。
第二に、ECoGデータには複雑で高次の性質がある。
信号処理の後、この種のデータは試行、電極、周波数、時間を表す次元の4方向テンソルとして構成される。
本稿では,正規化高次主成分分析と呼ばれる解釈可能な次元削減手法と,神経科学者によるECoGデータの探索と可視化を可能にする正規化高次部分最小方形の拡張を開発する。
提案手法では,スパースかつ機能的なCandecomp-Parafac (CP)分解を用い,各電極と周波数帯域の選択に疎結合し,時間と周波数の滑らかさを考慮し,直接解釈可能な因子を得る。
人間の音声の音声処理と視覚処理に関するECoGケーススタディにより,本手法の性能と解釈可能性を示す。
関連論文リスト
- CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Optimized EEG based mood detection with signal processing and deep
neural networks for brain-computer interface [0.0]
本研究の目的は,脳波と被験者の気分との関係を識別するスマート意思決定モデルを確立することである。
健康な28人の被験者の脳波は同意を得て観測され、気分を研究・認識する試みがなされている。
これらの技術を用いて、96.01%の検出精度が得られた。
論文 参考訳（メタデータ） (2023-03-30T15:23:24Z) - 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) - Task-oriented Self-supervised Learning for Anomaly Detection in
Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。
大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。
効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文 参考訳（メタデータ） (2022-07-04T13:15:08Z) - Data augmentation for learning predictive models on EEG: a systematic
comparison [79.84079335042456]
脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。
EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。
データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
論文 参考訳（メタデータ） (2022-06-29T09:18:15Z) - 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) - Functional Magnetic Resonance Imaging data augmentation through
conditional ICA [44.483210864902304]
本稿では,高速機能型磁気共鳴イメージング(fMRI)データ拡張技術である条件独立成分分析(Conditional ICA)を紹介する。
本研究では,コンディショナルICAが観測不可能なデータの合成に成功しており,脳の復号化問題における分類精度の向上が期待できることを示す。
論文 参考訳（メタデータ） (2021-07-11T22:36:14Z) - GA for feature selection of EEG heterogeneous data [0.0]
本稿では,教師付きあるいは教師なしのアプローチで使用できる特徴選択のための遺伝的アルゴリズム(ga)を提案する。
専門家の知識に頼らず、3つのフィットネス機能を検討します。
提案されたgaは、ここで示した新しいフィットネス機能に基づいて、2つの異なるデータセットがマージされたときにベンチマークを上回っています。
論文 参考訳（メタデータ） (2021-03-12T07:27:42Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z) - GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding
Time-resolved EEG Motor Imagery Signals [8.19994663278877]
グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。
導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
論文 参考訳（メタデータ） (2020-06-16T04:57:12Z) - Human brain activity for machine attention [8.673635963837532]
我々は脳波(EEG)という神経科学データを初めて活用し、人間の脳の言語処理について神経の注意モデルに知らせる。
我々は、理論上動機付けられた収穫と無作為な森林分枝を組み合わせることで、機械の注意を監督する脳波の特徴を見つける手法を考案した。
これらの特徴を関係分類の注意を規則化するために応用し、脳波が強い基準線よりも情報的であることを示す。
論文 参考訳（メタデータ） (2020-06-09T08:39:07Z)
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。