論文の概要: Learning shared neural manifolds from multi-subject FMRI data
- arxiv url: http://arxiv.org/abs/2201.00622v1
- Date: Wed, 22 Dec 2021 23:08:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-09 13:28:57.469254
- Title: Learning shared neural manifolds from multi-subject FMRI data
- Title(参考訳): マルチサブジェクトfmriデータからの共有神経多様体の学習
- Authors: Jessie Huang, Erica L. Busch, Tom Wallenstein, Michal Gerasimiuk,
Andrew Benz, Guillaume Lajoie, Guy Wolf, Nicholas B. Turk-Browne, Smita
Krishnaswamy
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 13.093635609349874
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional magnetic resonance imaging (fMRI) is a notoriously noisy
measurement of brain activity because of the large variations between
individuals, signals marred by environmental differences during collection, and
spatiotemporal averaging required by the measurement resolution. In addition,
the data is extremely high dimensional, with the space of the activity
typically having much lower intrinsic dimension. In order to understand the
connection between stimuli of interest and brain activity, and analyze
differences and commonalities between subjects, it becomes important to learn a
meaningful embedding of the data that denoises, and reveals its intrinsic
structure. Specifically, we assume that while noise varies significantly
between individuals, true responses to stimuli will share common,
low-dimensional features between subjects which are jointly discoverable.
Similar approaches have been exploited previously but they have mainly used
linear methods such as PCA and shared response modeling (SRM). In contrast, we
propose a neural network called MRMD-AE (manifold-regularized multiple decoder,
autoencoder), that learns a common embedding from multiple subjects in an
experiment while retaining the ability to decode to individual raw fMRI
signals. We show that our learned common space represents an extensible
manifold (where new points not seen during training can be mapped), improves
the classification accuracy of stimulus features of unseen timepoints, as well
as improves cross-subject translation of fMRI signals. We believe this
framework can be used for many downstream applications such as guided
brain-computer interface (BCI) training in the future.
- Abstract(参考訳): 機能的磁気共鳴イメージング(fMRI)は、個人間の大きなばらつき、収集中の環境差による信号、測定解像度による時空間平均化が原因で、脳活動のノイズが多いことで知られている。
さらに、データは極めて高次元であり、活動の空間は典型的にはより低い内在次元を持つ。
興味の刺激と脳活動の関係を理解し、被験者間の差異や共通性を分析するためには、問題となるデータの有意義な埋め込みを学び、その本質的な構造を明らかにすることが重要である。
具体的には、ノイズは個人間で大きく異なるが、刺激に対する真の反応は、共同で発見できる被験者間で共通の低次元の特徴を共有すると仮定する。
同様の手法は以前にも利用されてきたが、主にPCAや共有応答モデリング(SRM)などの線形手法を用いている。
対照的に,mrmd-ae(manifold-regularized multiple decoder, autoencoder)と呼ばれ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拡張可能多様体(訓練中に新しい点をマッピングできる)を表し、知覚できない時間点の刺激特性の分類精度を向上させるとともに、fmri信号のクロスサブジェクト変換を改善する。
このフレームワークは、将来的にはbci(guided brain-computer interface)トレーニングなど、多くの下流アプリケーションで使用できると思います。
関連論文リスト
- Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳(メタデータ) (2023-06-27T16:59:06Z) - MBrain: A Multi-channel Self-Supervised Learning Framework for Brain
Signals [7.682832730967219]
本稿では,SEEGデータとEEGデータのいずれかを事前学習できる脳信号の自己教師型学習フレームワークについて検討する。
そこで我々は,異なるチャネル間の空間的および時間的相関を暗黙的に学習するために,MBrainを提案する。
我々のモデルは、最先端のSSLおよび教師なしモデルよりも優れており、臨床に展開する能力を持っている。
論文 参考訳(メタデータ) (2023-06-15T09:14:26Z) - 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) - Deep Representations for Time-varying Brain Datasets [4.129225533930966]
本稿では、領域マップされたfMRIシーケンスと構造接続性の両方を入力として組み込んだ効率的なグラフニューラルネットワークモデルを構築する。
サンプルレベルの適応的隣接行列を学習することで、潜伏する脳のダイナミクスのよい表現を見つけ出す。
これらのモジュールは容易に適応でき、神経科学領域以外の用途にも有用である可能性がある。
論文 参考訳(メタデータ) (2022-05-23T21:57:31Z) - 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) - A Multi-Task Deep Learning Framework to Localize the Eloquent Cortex in
Brain Tumor Patients Using Dynamic Functional Connectivity [7.04584289867204]
脳腫瘍患者の大脳皮質の言語と運動領域を同時に局在させるために動的機能接続を用いた新しいディープラーニングフレームワークを提案する。
本モデルは,従来の深層学習手法よりも高い局所化精度を達成し,左半球側方化症例で訓練した場合でも,両言語領域を識別できる。
論文 参考訳(メタデータ) (2020-11-17T18:18:09Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳(メタデータ) (2020-09-28T18:30:14Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - Mapping individual differences in cortical architecture using multi-view
representation learning [0.0]
本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。
マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
論文 参考訳(メタデータ) (2020-04-01T09:01:25Z) - Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。
深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。
私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
論文 参考訳(メタデータ) (2020-02-29T18:49:45Z)
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。