論文の概要: Dyadic Sex Composition and Task Classification Using fNIRS Hyperscanning Data

• arxiv url: http://arxiv.org/abs/2112.03911v1
• Date: Tue, 7 Dec 2021 01:33:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 05:17:56.600271
• Title: Dyadic Sex Composition and Task Classification Using fNIRS Hyperscanning Data
• Title（参考訳）: fNIRSハイパースキャンデータを用いた性構成と課題分類
• Authors: Liam A. Kruse, Allan L. Reiss, Mykel J. Kochenderfer, Stephanie Balters
• Abstract要約: 本研究は、N = 222$の参加者を持つ広範囲なハイパースキャンデータセットに対して、ダイアディック性構成に対する畳み込みニューラルネットワークに基づくアプローチとタスク分類を提案する。 提案手法は80ドル以上の最大分類精度を達成し、複雑な脳の振る舞いを探索し理解するための新たな道を提供する。
• 参考スコア（独自算出の注目度）: 33.025338266715465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperscanning with functional near-infrared spectroscopy (fNIRS) is an emerging neuroimaging application that measures the nuanced neural signatures underlying social interactions. Researchers have assessed the effect of sex and task type (e.g., cooperation versus competition) on inter-brain coherence during human-to-human interactions. However, no work has yet used deep learning-based approaches to extract insights into sex and task-based differences in an fNIRS hyperscanning context. This work proposes a convolutional neural network-based approach to dyadic sex composition and task classification for an extensive hyperscanning dataset with $N = 222$ participants. Inter-brain signal similarity computed using dynamic time warping is used as the input data. The proposed approach achieves a maximum classification accuracy of greater than $80$ percent, thereby providing a new avenue for exploring and understanding complex brain behavior.
• Abstract（参考訳）: fnirs(hyperscanning with functional near-infrared spectroscopy)は、社会的相互作用の基礎となるニュアンスを計測する新しい神経イメージングアプリケーションである。 研究者は、人間と人間の相互作用中の脳間コヒーレンスに対するセックスとタスクタイプ(例えば、協力と競争)の効果を評価した。 しかしながら、fnirsハイパースキャンコンテキストにおけるセックスやタスクベースの差異に対する洞察を抽出するために、ディープラーニングベースのアプローチを用いた研究はまだない。 本研究は,n=222$の参加者を持つ大規模ハイパースキャンデータセットのdyadic sex合成とタスク分類に対する畳み込みニューラルネットワークに基づくアプローチを提案する。 入力データとして動的時間ワープを用いて計算した脳間信号類似性を用いる。 提案手法は80ドル以上の最大分類精度を実現し、複雑な脳の振る舞いを探索し理解するための新たな道を提供する。

関連論文リスト

• Enhancing Cognitive Workload Classification Using Integrated LSTM Layers and CNNs for fNIRS Data Analysis [13.74551296919155]
  本稿では、ディープラーニングモデルにおける畳み込みニューラルネットワーク(CNN)の有効性に対する長期記憶層の影響について検討する。 LSTMレイヤを統合することで、モデルがfNIRSデータ内の時間的依存関係をキャプチャし、認知状態をより包括的に理解することが可能になる。
  論文  参考訳（メタデータ） (2024-07-22T11:28:34Z)
• Sparse Multitask Learning for Efficient Neural Representation of Motor Imagery and Execution [30.186917337606477]
  運動画像(MI)と運動実行(ME)タスクのためのスパースマルチタスク学習フレームワークを提案する。 MI-ME分類のためのデュアルタスクCNNモデルが与えられた場合、過渡的な接続に対して、サリエンシに基づくスペーシフィケーションアプローチを適用する。 以上の結果から, この調整された疎水性は, 過度に適合する問題を緩和し, 少ないデータ量でテスト性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2023-12-10T09:06:16Z)
• Neural Amortized Inference for Nested Multi-agent Reasoning [54.39127942041582]
  本研究では,人間のような推論能力と計算限界のギャップを埋める新しい手法を提案する。 提案手法を2つの挑戦的マルチエージェント相互作用領域で評価する。
  論文  参考訳（メタデータ） (2023-08-21T22:40:36Z)
• Language Knowledge-Assisted Representation Learning for Skeleton-Based Action Recognition [71.35205097460124]
  人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。 LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-21T08:29:16Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• 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)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• Improving Phenotype Prediction using Long-Range Spatio-Temporal Dynamics of Functional Connectivity [9.015698823470899]
  空間と時間にまたがる機能的脳結合をモデル化するためのアプローチを提案する。 我々は、性別分類とインテリジェンス予測にヒューマン・コネクトーム・プロジェクト(Human Connectome Project)データセットを使用する。 その結果、性別の予測精度は94.4%、流体インテリジェンス(0.325対0.144)との相関は、空間と時間を別々に符号化するベースラインモデルと比較して改善された。
  論文  参考訳（メタデータ） (2021-09-07T14:23:34Z)
• Identification of brain states, transitions, and communities using functional MRI [0.5872014229110214]
  ベイズモデルに基づく潜在脳状態のキャラクタリゼーションを提案し,後方予測の不一致に基づく新しい手法を提案する。 タスク-fMRIデータの解析により得られた結果は、外部タスク要求と脳状態間の変化点の間の適切な遅延を示す。
  論文  参考訳（メタデータ） (2021-01-26T08:10:00Z)
• 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。