論文の概要: EEG to fMRI Synthesis Benefits from Attentional Graphs of Electrode
Relationships
- arxiv url: http://arxiv.org/abs/2203.03481v1
- Date: Mon, 7 Mar 2022 15:51:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 18:39:10.630329
- Title: EEG to fMRI Synthesis Benefits from Attentional Graphs of Electrode
Relationships
- Title(参考訳): 電極関係の注意グラフから得られる脳波とfMRI合成効果
- Authors: David Calhas, Rui Henriques
- Abstract要約: 本研究では、回帰処理を行うために、ニューラルネットワーク技術を用いて地形構造を組み込む。
本研究は,タスクベース記録設定の静止状態において,タスクの現状を著しく上回る複数のモデルを提案する。
これらの結果から,脳波電極の関係は血行動態の検索に必要な情報を保持するために重要であることが示唆された。
- 参考スコア(独自算出の注目度): 0.913755431537592
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Topographical structures represent connections between entities and provide a
comprehensive design of complex systems. Currently these structures are used to
discover correlates of neuronal and haemodynamical activity. In this work, we
incorporate them with neural processing techniques to perform regression, using
electrophysiological activity to retrieve haemodynamics. To this end, we use
Fourier features, attention mechanisms, shared space between modalities and
incorporation of style in the latent representation. By combining these
techniques, we propose several models that significantly outperform current
state-of-the-art of this task in resting state and task-based recording
settings. We report which EEG electrodes are the most relevant for the
regression task and which relations impacted it the most. In addition, we
observe that haemodynamic activity at the scalp, in contrast with sub-cortical
regions, is relevant to the learned shared space. Overall, these results
suggest that EEG electrode relationships are pivotal to retain information
necessary for haemodynamical activity retrieval.
- Abstract(参考訳): 地形構造はエンティティ間の接続を表し、複雑なシステムの包括的設計を提供する。
現在、これらの構造は神経活動と血行動態の相関関係を発見するのに使われている。
本研究では, 電気生理学的活動を用いて, 神経処理技術を用いて回帰処理を行う。
この目的のために、我々は、よりフーリエな特徴、注意機構、モダリティ間の共有空間、潜在表現におけるスタイルの導入を用いる。
これらの手法を組み合わせることで、休息状態とタスクベースの記録設定において、タスクの現在の最先端を著しく上回るモデルを提案する。
我々は,どの脳波電極が回帰作業に最も関係があり,どの関係が最も影響したかを報告する。
また,頭皮におけるhaemodynamic activityは,皮質下領域とは対照的に,学習した共有空間に関係していることを観察した。
これらの結果から,脳波電極の関係は血行動態の検索に必要な情報を保持するために重要であることが示唆された。
関連論文リスト
- CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。
具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。
このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
論文 参考訳(メタデータ) (2024-12-13T16:27:54Z) - Dynamic EEG-fMRI mapping: Revealing the relationship between brain connectivity and cognitive state [0.0]
本研究では,脳波とfMRIの動的接続パターンについて検討し,脳ネットワークの相互作用の理解に寄与した。
その結果,脳内結合ネットワーク(ICN)内のモジュール構造が明らかになり,感覚システムと既定モードネットワークの重要な役割が明らかになった。
論文 参考訳(メタデータ) (2024-11-29T18:36:58Z) - Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
神経科学とAIの両方において、ニューロン間の'結合'が競合学習の形式につながることは長年知られている。
完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。
このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、推論など、幅広いタスクに性能改善をもたらすことを示す。
論文 参考訳(メタデータ) (2024-10-17T17:47:54Z) - Feature Estimation of Global Language Processing in EEG Using Attention Maps [5.173821279121835]
本研究は,脳波の特徴推定に新たなアプローチを導入し,深層学習モデルの重みを利用してその関連を探索する。
視覚変換器とEEGNetから生成したアテンションマップは,従来の研究結果と一致した特徴を効果的に同定できることを実証する。
ViTsを用いたMel-Spectrogramの適用により、時間および周波数関連脳波特性の分解能が向上する。
論文 参考訳(メタデータ) (2024-09-27T22:52:31Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳(メタデータ) (2024-05-21T20:37:07Z) - Dynamic GNNs for Precise Seizure Detection and Classification from EEG Data [6.401370088497331]
本稿では,脳波の位置と対応する脳領域のセマンティクスの相互作用を捉える動的グラフニューラルネットワーク(GNN)フレームワークであるNeuroGNNを紹介する。
実世界のデータを用いた実験により、NeuroGNNは既存の最先端モデルよりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2024-05-08T21:36:49Z) - Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。
NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。
別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文 参考訳(メタデータ) (2023-10-23T00:44:17Z) - Functional Graph Contrastive Learning of Hyperscanning EEG Reveals
Emotional Contagion Evoked by Stereotype-Based Stressors [1.8925617030516924]
本研究では,女性ペア間の協調的問題解決作業におけるステレオタイプベースストレス(SBS)の文脈に焦点を当てた。
本研究は、感情伝染の解明を通じて、その基盤となるメカニズムと効果を明らかにすることを目的とする。
論文 参考訳(メタデータ) (2023-08-22T09:04:14Z) - 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) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
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。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z)
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。