論文の概要: Brain Signals Analysis Based Deep Learning Methods: Recent advances in
the study of non-invasive brain signals
- arxiv url: http://arxiv.org/abs/2201.04229v1
- Date: Thu, 30 Dec 2021 06:44:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-16 16:20:47.619322
- Title: Brain Signals Analysis Based Deep Learning Methods: Recent advances in
the study of non-invasive brain signals
- Title(参考訳): 脳信号分析に基づく深層学習法:非侵襲的脳信号研究の最近の進歩
- Authors: Almabrok Essa and Hari Kotte
- Abstract要約: 本稿では、これらの脳信号の解析に異なるディープラーニング(DL)アルゴリズムを使用するなど、現在発展途上にある技術について論じる。
これらのアルゴリズムは、信号復号戦略を適用することによって、人の神経学的状態を決定するのにどのように役立つか。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Brain signals constitute the information that are processed by millions of
brain neurons (nerve cells and brain cells). These brain signals can be
recorded and analyzed using various of non-invasive techniques such as the
Electroencephalograph (EEG), Magneto-encephalograph (MEG) as well as
brain-imaging techniques such as Magnetic Resonance Imaging (MRI), Computed
Tomography (CT) and others, which will be discussed briefly in this paper. This
paper discusses about the currently emerging techniques such as the usage of
different Deep Learning (DL) algorithms for the analysis of these brain signals
and how these algorithms will be helpful in determining the neurological status
of a person by applying the signal decoding strategy.
- Abstract(参考訳): 脳信号は、何百万もの脳ニューロン(神経細胞と脳細胞)によって処理される情報を構成する。
これらの脳信号は脳波(EEG)、脳磁図(MEG)、磁気共鳴画像(MRI)、CT(CT)などの脳イメージング技術などの非侵襲的手法を用いて記録・解析することができる。
本稿では、これらの脳信号の解析に異なるディープラーニング(dl)アルゴリズムを用いることや、これらのアルゴリズムが信号復号戦略を適用して人の神経学的状態を決定するのにどのように役立つかについて述べる。
関連論文リスト
- A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳(メタデータ) (2023-09-21T08:53:51Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - 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) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳(メタデータ) (2022-12-08T15:16:04Z) - 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) - Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph
Convolutional Network [0.8399688944263843]
既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。
本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。
我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
論文 参考訳(メタデータ) (2022-10-08T12:14:33Z) - Inferring Brain Dynamics via Multimodal Joint Graph Representation
EEG-fMRI [0.0]
マルチモデリング手法は、各モータリティが別々に取得された場合に不可能な脳成分の神経分析に新たな洞察を与えることができることを示す。
異なるモードの関節表現は、同時に取得した脳波と磁気共鳴画像(EEG-fMRI)を解析するための頑健なモデルである
本稿では,グラフに基づく深層学習手法を用いて,複数のメディアの相関関係について概説する。
論文 参考訳(メタデータ) (2022-01-21T15:39:48Z) - Deep Recurrent Encoder: A scalable end-to-end network to model brain
signals [122.1055193683784]
複数の被験者の脳応答を一度に予測するために訓練されたエンドツーエンドのディープラーニングアーキテクチャを提案する。
1時間の読解作業で得られた大脳磁図(meg)記録を用いて,このアプローチを検証した。
論文 参考訳(メタデータ) (2021-03-03T11:39:17Z) - Deep Learning Based Brain Tumor Segmentation: A Survey [26.933777009547047]
脳腫瘍のセグメンテーションは、医療画像解析において最も難しい問題の一つである。
深層学習法は様々なコンピュータビジョン問題の解法において有望な性能を示した。
この調査では100以上の科学論文が選定され議論されている。
論文 参考訳(メタデータ) (2020-07-18T17:14:50Z) - A Survey on Deep Learning for Neuroimaging-based Brain Disorder Analysis [38.213459556446765]
深層学習は、最近、構造的磁気共鳴画像(MRI)、機能的MRI、ポジトロン放射断層撮影(PET)などの神経画像の解析に使われている。
本稿では、ニューロイメージングに基づく脳障害解析におけるディープラーニング手法の適用について概説する。
論文 参考訳(メタデータ) (2020-05-10T04:20:50Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z)
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。