論文の概要: Neural dSCA: demixing multimodal interaction among brain areas during naturalistic experiments

• arxiv url: http://arxiv.org/abs/2106.02948v1
• Date: Sat, 5 Jun 2021 19:16:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 00:33:29.278010
• Title: Neural dSCA: demixing multimodal interaction among brain areas during naturalistic experiments
• Title（参考訳）: ニューラルdSCA:自然実験における脳領域間の多重モード相互作用
• Authors: Yu Takagi, Laurence T. Hunt, Ryu Ohata, Hiroshi Imamizu, Jun-ichiro Hirayama
• Abstract要約: 神経集団間の多地域間相互作用は、私たちの日常生活における脳の豊富な感覚情報の処理の根底にある。 最近の神経科学と神経イメージングの研究は、脳内のそのような現実的な感覚計算を識別するために、自然主義的な刺激と実験的デザインをますます利用してきた。 そこで我々は,多機能なタスクや刺激パラメータを用いて,異なる神経集団によってどのように,どのような情報を共有するかを明らかにする,クロスリアルなインタラクション分析手法を開発した。
• 参考スコア（独自算出の注目度）: 6.2122699483618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-regional interaction among neuronal populations underlies the brain's processing of rich sensory information in our daily lives. Recent neuroscience and neuroimaging studies have increasingly used naturalistic stimuli and experimental design to identify such realistic sensory computation in the brain. However, existing methods for cross-areal interaction analysis with dimensionality reduction, such as reduced-rank regression and canonical correlation analysis, have limited applicability and interpretability in naturalistic settings because they usually do not appropriately 'demix' neural interactions into those associated with different types of task parameters or stimulus features (e.g., visual or audio). In this paper, we develop a new method for cross-areal interaction analysis that uses the rich task or stimulus parameters to reveal how and what types of information are shared by different neural populations. The proposed neural demixed shared component analysis combines existing dimensionality reduction methods with a practical neural network implementation of functional analysis of variance with latent variables, thereby efficiently demixing nonlinear effects of continuous and multimodal stimuli. We also propose a simplifying alternative under the assumptions of linear effects and unimodal stimuli. To demonstrate our methods, we analyzed two human neuroimaging datasets of participants watching naturalistic videos of movies and dance movements. The results demonstrate that our methods provide new insights into multi-regional interaction in the brain during naturalistic sensory inputs, which cannot be captured by conventional techniques.
• Abstract（参考訳）: ニューロン集団間の多地域間相互作用は、日常生活における脳の豊かな感覚情報処理の基盤となっている。 最近の神経科学と神経イメージングの研究は、脳内のそのような現実的な感覚計算を識別するために、自然主義的な刺激と実験的デザインをますます利用してきた。 しかしながら、減少ランク回帰や正準相関分析のような次元減少を伴う既存のクロス・ア・リアル相互作用解析の手法は、通常、異なる種類のタスクパラメータや刺激特徴(例えば、視覚や音声)に関連するものに対して適切に「デミックス」できないため、自然主義的な設定における適用性や解釈性が限られている。 本稿では,様々な神経集団が共有する情報の種類を明らかにするために,リッチなタスクパラメータや刺激パラメータを用いた相互作用解析手法を提案する。 提案するニューラルデミックス共用成分分析は,既存の次元低減法と,潜時変数の分散関数解析の実用的なニューラルネットワーク実装を組み合わせることで,連続的および多様刺激の非線形効果を効率的にデミックスする。 また,線形効果や一様刺激を前提とした簡易な代替案を提案する。 提案手法を実証するために,映画やダンスの動きの自然映像を視聴する参加者の2つの脳画像データセットを解析した。 その結果,本手法は従来の手法では理解できない自然的感覚入力中に,脳内の多領域間相互作用に対する新たな洞察を与えることが示された。

関連論文リスト

• Exploring Behavior-Relevant and Disentangled Neural Dynamics with Generative Diffusion Models [2.600709013150986]
  行動の神経基盤を理解することは神経科学の基本的な目標である。 私たちのアプローチは、BeNeDiff'と呼ばれるもので、まずきめ細やかな神経部分空間を識別します。 次に、最先端の生成拡散モデルを使用して、各潜伏因子の神経力学を解釈する行動ビデオを合成する。
  論文  参考訳（メタデータ） (2024-10-12T18:28:56Z)
• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
  潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。 まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。 次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。 第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T17:07:33Z)
• 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)
• Learning dynamic representations of the functional connectome in neurobiological networks [41.94295877935867]
  我々は、生きた行動する動物のニューロン間の動的親和性を学ぶために、教師なしのアプローチを導入する。 本研究では,ニューロン間の因果関係を強く予測し,行動を生成する手法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T19:54:25Z)
• Generalization of generative model for neuronal ensemble inference method [0.0]
  本研究では,ニューロンの状態を表す変数の範囲を拡大し,拡張変数に対するモデルの可能性を一般化する。 この2値入力の制限のない一般化により,ソフトクラスタリングが可能となり,非定常神経活動データに適用できる。
  論文  参考訳（メタデータ） (2022-11-07T07:58:29Z)
• 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)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)

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。