論文の概要: Behavior measures are predicted by how information is encoded in an individual's brain

• arxiv url: http://arxiv.org/abs/2112.06048v1
• Date: Sat, 11 Dec 2021 18:40:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 09:17:28.999502
• Title: Behavior measures are predicted by how information is encoded in an individual's brain
• Title（参考訳）: 行動測定は、個人の脳に情報をエンコードする方法によって予測される
• Authors: Jennifer Williams, Leila Wehbe
• Abstract要約: 本稿では,脳のエンコーディングにおける個人差を識別するために,エンコーディングモデルを用いたフレームワークを提案する。 この結果から,符号化モデルによる個人差が,行動予測の強力なツールであることが示唆された。
• 参考スコア（独自算出の注目度）: 23.186544075266397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Similar to how differences in the proficiency of the cardiovascular and musculoskeletal system predict an individual's athletic ability, differences in how the same brain region encodes information across individuals may explain their behavior. However, when studying how the brain encodes information, researchers choose different neuroimaging tasks (e.g., language or motor tasks), which can rely on processing different types of information and can modulate different brain regions. We hypothesize that individual differences in how information is encoded in the brain are task-specific and predict different behavior measures. We propose a framework using encoding-models to identify individual differences in brain encoding and test if these differences can predict behavior. We evaluate our framework using task functional magnetic resonance imaging data. Our results indicate that individual differences revealed by encoding-models are a powerful tool for predicting behavior, and that researchers should optimize their choice of task and encoding-model for their behavior of interest.
• Abstract（参考訳）: 心血管系と筋骨格系の習熟度の違いが個人の運動能力を予測するのと同じように、同じ脳領域が個体間で情報をエンコードする方法の違いは、その行動を説明する可能性がある。 しかし、脳がどのように情報をエンコードするかを研究する際、研究者は異なる種類の情報を処理し、異なる脳領域を調節できる異なる神経画像タスク(言語や運動タスクなど)を選択する。 我々は、脳内の情報のエンコード方法の個人差がタスク固有のものであると仮定し、異なる行動指標を予測する。 そこで本研究では,脳のエンコーディングにおける個人差を識別するために,エンコーディングモデルを用いたフレームワークを提案する。 タスク機能型磁気共鳴イメージングデータを用いて,我々の枠組みを評価する。 この結果から, 符号化モデルによる個人差は, 行動予測の強力なツールであり, 研究者は作業選択と符号化モデルの選択を興味ある行動に最適化すべきであることが示唆された。

関連論文リスト

• MindAligner: Explicit Brain Functional Alignment for Cross-Subject Visual Decoding from Limited fMRI Data [64.92867794764247]
  MindAlignerは、限られたfMRIデータからのクロスオブジェクト脳デコーディングのためのフレームワークである。 脳伝達マトリックス(BTM)は、任意の新しい被験者の脳信号を既知の被験者の1人に投射する。 脳機能アライメントモジュールは、異なる視覚刺激下で軟質なクロスオブジェクト脳アライメントを実行するために提案されている。
  論文  参考訳（メタデータ） (2025-02-07T16:01:59Z)
• Toward Generalizing Visual Brain Decoding to Unseen Subjects [20.897856078151506]
  我々はまず,Human Connectome Project(HCP)の映画視聴課題において,刺激像とfMRI応答対からなる画像-fMRIデータセットを統合する。 次に,従来の手法のように個人に異なるネットワークヘッドやトークン化器を使わずに,すべての被験者に一様処理を適用する学習パラダイムを提案する。 本研究は,脳活動の個体間における特徴的類似性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-10-18T13:04:35Z)
• Individual brain parcellation: Review of methods, validations and applications [7.159138402684875]
  個々のレベルでの脳機能領域の正確なマッピングは、脳機能と行動の変化を包括的に理解するために重要である。 ニューロイメージングと機械学習の技術の発展に伴い、個々の脳のパーセレーションの研究が盛んになっている。
  論文  参考訳（メタデータ） (2024-07-01T05:48:05Z)
• Brain-Like Language Processing via a Shallow Untrained Multihead Attention Network [16.317199232071232]
  大規模言語モデル(LLM)は、人間の言語システムの効果的なモデルであることが示されている。 本研究では、未学習モデルの驚くほどのアライメントを駆動する重要なアーキテクチャコンポーネントについて検討する。
  論文  参考訳（メタデータ） (2024-06-21T12:54:03Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• High-Accuracy Machine Learning Techniques for Functional Connectome Fingerprinting and Cognitive State Decoding [0.0]
  本研究は、認知的要求タスクに基づく、個人の脳の指紋と認知状態に関する最近の研究に基づいている。 提案手法は、fMRIスキャンの被検体の識別と、前例のない被検体の認知状態の分類の両方において、最大99%の精度を達成している。
  論文  参考訳（メタデータ） (2022-11-14T16:41:51Z)
• Measures of Information Reflect Memorization Patterns [53.71420125627608]
  異なるニューロンの活性化パターンの多様性は、モデル一般化と記憶の反映であることを示す。 重要なことは、情報組織が記憶の2つの形態を指していることである。
  論文  参考訳（メタデータ） (2022-10-17T20:15:24Z)
• Neural Language Models are not Born Equal to Fit Brain Data, but Training Helps [75.84770193489639]
  音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。 各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。 ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
  論文  参考訳（メタデータ） (2022-07-07T15:37:17Z)
• The world seems different in a social context: a neural network analysis of human experimental data [57.729312306803955]
  本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。 トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
  論文  参考訳（メタデータ） (2022-03-03T17:19:12Z)
• EEGminer: Discovering Interpretable Features of Brain Activity with Learnable Filters [72.19032452642728]
  本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。 我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。 発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
  論文  参考訳（メタデータ） (2021-10-19T14:22:04Z)

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。