論文の概要: DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals
- arxiv url: http://arxiv.org/abs/2112.06652v1
- Date: Wed, 8 Dec 2021 13:07:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-19 12:58:54.972193
- Title: DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals
- Title（参考訳）: DriPP:M/EEG信号のモデル刺激誘起パターンに対するポイントプロセス
- Authors: C\'edric Allain (PARIETAL), Alexandre Gramfort (PARIETAL), Thomas
Moreau (PARIETAL), A Preprint
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 62.997667081978825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The quantitative analysis of non-invasive electrophysiology signals from
electroencephalography (EEG) and magnetoencephalography (MEG) boils down to the
identification of temporal patterns such as evoked responses, transient bursts
of neural oscillations but also blinks or heartbeats for data cleaning. Several
works have shown that these patterns can be extracted efficiently in an
unsupervised way, e.g., using Convolutional Dictionary Learning. This leads to
an event-based description of the data. Given these events, a natural question
is to estimate how their occurrences are modulated by certain cognitive tasks
and experimental manipulations. To address it, we propose a point process
approach. While point processes have been used in neuroscience in the past, in
particular for single cell recordings (spike trains), techniques such as
Convolutional Dictionary Learning make them amenable to human studies based on
EEG/MEG signals. We develop a novel statistical point process model-called
driven temporal point processes (DriPP)-where the intensity function of the
point process model is linked to a set of point processes corresponding to
stimulation events. We derive a fast and principled expectation-maximization
(EM) algorithm to estimate the parameters of this model. Simulations reveal
that model parameters can be identified from long enough signals. Results on
standard MEG datasets demonstrate that our methodology reveals event-related
neural responses-both evoked and induced-and isolates non-task specific
temporal patterns.
- Abstract（参考訳）: 脳波(EEG)や脳磁図(MEG)からの非侵襲的電気生理学的信号の定量的解析は、誘発応答、過渡的な神経振動のバースト、データクリーニングのための点滅や心拍などの時間的パターンの同定に起因している。
これらのパターンは、例えば畳み込み辞書学習を用いて、教師なしの方法で効率的に抽出できることが、いくつかの研究で示されている。
これはイベントベースのデータ記述につながる。
これらの出来事を踏まえると、自然な疑問は、それらの発生が特定の認知タスクや実験的操作によってどのように調節されるかを評価することである。
そこで我々は,ポイントプロセスアプローチを提案する。
点過程は、過去に神経科学、特に単細胞記録(スパイクトレイン)で用いられてきたが、畳み込み辞書学習のような技法は、脳波/meg信号に基づく人間の研究に適している。
そこで我々は,点過程モデルの強度関数を刺激イベントに対応する点過程の集合に関連付ける,新しい統計点過程モデルである駆動時間点過程(DriPP)を開発した。
このモデルのパラメータを推定するために、高速かつ原理化された期待最大化(em)アルゴリズムを導出する。
シミュレーションにより、モデルパラメータが十分長い信号から識別できることが判明した。
標準MEGデータセットでは,事象関連神経応答が誘発・誘導・分離され,非タスク固有の時間パターンが抽出される。
関連論文リスト
- Neural decoding from stereotactic EEG: accounting for electrode variability across subjects [21.28778005847666]
本稿では,SEEGデータを用いて被験者間の振る舞いを復号化するためのトレーニングフレームワークである seegnificant を紹介する。
本研究では,行動課題を遂行する21人の被験者の複合データに基づいて学習した多目的モデルを構築した。
論文 参考訳（メタデータ） (2024-11-01T17:58:01Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - Jointly Modeling Spatio-Temporal Features of Tactile Signals for Action Classification [50.63919418371698]
ウェアラブルエレクトロニクスによって収集される触覚信号は、人間の行動のモデリングと理解に不可欠である。
既存の動作分類法では、触覚信号の空間的特徴と時間的特徴を同時に捉えることができない。
S-Temporal Aware Aware Transformer (STAT) を提案する。
論文 参考訳（メタデータ） (2024-01-21T03:47:57Z) - Temporal Conditioning Spiking Latent Variable Models of the Neural
Response to Natural Visual Scenes [29.592870472342337]
本研究は, 時間条件付潜時変動モデル(TeCoS-LVM)を提示し, 自然視覚刺激に対する神経応答をシミュレートする。
スパイクニューロンを使用して、記録された列車と直接一致するスパイク出力を生成します。
我々は,TeCoS-LVMモデルにより,よりリアルなスパイク活動が生成され,強力な代替手段よりも正確なスパイク統計に適合することを示す。
論文 参考訳（メタデータ） (2023-06-21T06:30:18Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-24T09:16:31Z) - Decision SincNet: Neurocognitive models of decision making that predict
cognitive processes from neural signals [0.0]
我々は、脳波信号を用いてDrift-Diffusionモデルに適合するように、SincNetベースの浅層ニューラルネットワークアーキテクチャを適用した。
ドリフトとバウンダリの単回評価は、トレーニングおよびテストデータセットの中央値推定よりもRTの予測に優れていた。
論文 参考訳（メタデータ） (2022-08-04T18:51:29Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Learning Accurate Business Process Simulation Models from Event Logs via
Automated Process Discovery and Deep Learning [0.8164433158925593]
データ駆動シミュレーション(DDS)メソッドは、イベントログからプロセスシミュレーションモデルを学ぶ。
ディープラーニング(DL)モデルは、このような時間的ダイナミクスを正確に捉えることができる。
本稿では,イベントログからプロセスシミュレーションモデルを学ぶためのハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2021-03-22T15:34:57Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z)
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。