論文の概要: Separating Stimulus-Induced and Background Components of Dynamic
Functional Connectivity in Naturalistic fMRI
- arxiv url: http://arxiv.org/abs/2102.10331v1
- Date: Sun, 24 Jan 2021 11:35:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 09:06:47.530169
- Title: Separating Stimulus-Induced and Background Components of Dynamic
Functional Connectivity in Naturalistic fMRI
- Title(参考訳): 自然主義fMRIにおける動的機能結合の刺激誘起・背景成分の分離
- Authors: Chee-Ming Ting, Jeremy I. Skipper, Steven L. Small, Hernando Ombao
- Abstract要約: 背景雑音から脳機能的接続性(FC)の刺激駆動動的変化を分離するための新しいデータ駆動アプローチを提案する。
共有低ランク部分空間を復元するために,低ランク行列の行間の差に対する融合型ペナルティを導入する。
融合PCPを解くために,乗算器の線形化交互方向法による効率的なアルゴリズムを開発した。
- 参考スコア(独自算出の注目度): 13.112514419777593
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We consider the challenges in extracting stimulus-related neural dynamics
from other intrinsic processes and noise in naturalistic functional magnetic
resonance imaging (fMRI). Most studies rely on inter-subject correlations (ISC)
of low-level regional activity and neglect varying responses in individuals. We
propose a novel, data-driven approach based on low-rank plus sparse (L+S)
decomposition to isolate stimulus-driven dynamic changes in brain functional
connectivity (FC) from the background noise, by exploiting shared network
structure among subjects receiving the same naturalistic stimuli. The
time-resolved multi-subject FC matrices are modeled as a sum of a low-rank
component of correlated FC patterns across subjects, and a sparse component of
subject-specific, idiosyncratic background activities. To recover the shared
low-rank subspace, we introduce a fused version of principal component pursuit
(PCP) by adding a fusion-type penalty on the differences between the rows of
the low-rank matrix. The method improves the detection of stimulus-induced
group-level homogeneity in the FC profile while capturing inter-subject
variability. We develop an efficient algorithm via a linearized alternating
direction method of multipliers to solve the fused-PCP. Simulations show
accurate recovery by the fused-PCP even when a large fraction of FC edges are
severely corrupted. When applied to natural fMRI data, our method reveals FC
changes that were time-locked to auditory processing during movie watching,
with dynamic engagement of sensorimotor systems for speech-in-noise. It also
provides a better mapping to auditory content in the movie than ISC.
- Abstract(参考訳): 自然機能型磁気共鳴画像(fMRI)における他の内在的プロセスから刺激関連神経力学を抽出する際の課題とノイズについて考察する。
ほとんどの研究は、低レベルの地域活動の物質間相関(ISC)に依存し、個人のさまざまな応答を無視する。
本研究では,低ランク+スパース(l+s)分解に基づく新しいデータ駆動アプローチを提案し,同じ自然的刺激を受けた被験者間で共有ネットワーク構造を活用し,脳機能接続(fc)の刺激駆動動的変化を背景雑音から分離する。
時間分解されたマルチサブジェクトFC行列は、対象にまたがる相関FCパターンの低ランク成分と、対象ごとに異なる背景活動のスパース成分の合計としてモデル化される。
共有低ランク部分空間を復元するために,低ランク行列の行間の違いに融合型ペナルティを加えることにより,主成分追跡(pcp)の融合バージョンを導入する。
本手法は, 物体間変動を捉えつつ, FCプロファイルにおける刺激誘起群レベルの均一性の検出を改善する。
融合PCPを解くために,乗算器の線形化交互方向法による効率的なアルゴリズムを開発した。
シミュレーションでは, FCエッジが著しく破損した場合でも, 溶融PCPによる正確な回復が見られた。
自然fmriデータに適用すると,映像視聴中の聴覚処理に時間同期されたfc変化と,音声認識システムの動的関与が明らかにされる。
また、映画内の聴覚コンテンツへのマッピングもiscよりも優れている。
関連論文リスト
- Capturing functional connectomics using Riemannian partial least squares [0.0]
神経疾患や疾患では、ヒトの脳の機能的および解剖学的コネクトームは、介入や治療戦略をよりよく知るために用いられる。
機能接続を解析するための1つのアプローチは、高次元の予測データのために設計された多変量回帰手法である、部分最小二乗法(PLS)を用いることである。
論文 参考訳(メタデータ) (2023-06-30T02:24:34Z) - Multi-resolution Spatiotemporal Enhanced Transformer Denoising with
Functional Diffusive GANs for Constructing Brain Effective Connectivity in
MCI analysis [46.04319515616324]
効果的な接続性は、脳領域間の因果パターンを記述することができる。
これらのパターンは、病態のメカニズムを明らかにし、早期診断と認知疾患に対する効果的な薬物開発を促進する可能性がある。
本稿では,機能的磁気共鳴画像(fMRI)を軽度認知障害(MCI)解析に有効な接続性に変換するために,新しいマルチレゾリューションStemporal Enhanced Transformer Denoising Networkを提案する。
論文 参考訳(メタデータ) (2023-05-18T06:54:56Z) - 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) - The Predictive Forward-Forward Algorithm [79.07468367923619]
本稿では,ニューラルネットワークにおける信頼割当を行うための予測フォワード(PFF)アルゴリズムを提案する。
我々は,有向生成回路と表現回路を同時に同時に学習する,新しい動的リカレントニューラルネットワークを設計する。
PFFは効率よく学習し、学習信号を伝達し、フォワードパスのみでシナプスを更新する。
論文 参考訳(メタデータ) (2023-01-04T05:34:48Z) - 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) - 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) - Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural
Networks [69.42260428921436]
クロス周波数カップリング(CFC)は、ニューロンの集団間での情報統合と関連している。
我々は,海馬および大脳皮質における観測された$theta - gamma$振動回路の計算的役割を予測するCFCのモデルを構築した。
CFCの存在は, 可塑性シナプスによって結合された神経細胞のメモリ容量を増加させることを示す。
論文 参考訳(メタデータ) (2022-04-05T17:13:36Z) - Learning shared neural manifolds from multi-subject FMRI data [13.093635609349874]
MRMD-AEmaniと呼ばれる,複数の被験者から共通の埋め込みを実験で学習するニューラルネットワークを提案する。
学習した共通空間は、テンポラル多様体(トレーニング中に見えない新しい点をマッピングできる)を表し、目に見えない時間点の刺激特徴の分類を改善する。
このフレームワークは、将来的には脳-コンピュータインタフェース(BCI)トレーニングなど、多くのダウンストリームアプリケーションに応用できると考えています。
論文 参考訳(メタデータ) (2021-12-22T23:08:39Z) - Augmenting interictal mapping with neurovascular coupling biomarkers by
structured factorization of epileptic EEG and fMRI data [3.2268407474728957]
脳波-fMRI解析のための新しい構造マトリックス・テンソル分解法を開発した。
抽出したソースシグネチャは、イクタルオンセットゾーンの感度な局所化を提供することを示す。
また,血行動態の空間的変動から相補的局所化情報を導出できることが示唆された。
論文 参考訳(メタデータ) (2020-04-29T13:27:45Z) - Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering
Incorporating Morphological Reconstruction and Wavelet Frames for Image
Segmentation [152.609322951917]
そこで我々は,厳密なウェーブレットフレーム変換と形態的再構成操作を組み込むことで,Kulback-Leibler (KL) 発散に基づくFuzzy C-Means (FCM) アルゴリズムを考案した。
提案アルゴリズムはよく機能し、他の比較アルゴリズムよりもセグメンテーション性能が優れている。
論文 参考訳(メタデータ) (2020-02-21T05:19:10Z)
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。