論文の概要: Ranking of Communities in Multiplex Spatiotemporal Models of Brain
Dynamics
- arxiv url: http://arxiv.org/abs/2203.09281v1
- Date: Thu, 17 Mar 2022 12:14:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 22:46:16.365696
- Title: Ranking of Communities in Multiplex Spatiotemporal Models of Brain
Dynamics
- Title(参考訳): 脳ダイナミクスの時空間多重モデルにおけるコミュニティのランク付け
- Authors: James B. Wilsenach, Catherine E. Warnaby, Charlotte M. Deane and
Gesine D. Reinert
- Abstract要約: 隠れマルコフグラフモデル(HMs)と呼ぶ多重脳状態グラフモデルとして、ニューラルHMMの解釈を提案する。
この解釈により、ネットワーク分析技術の完全なレパートリーを使用して、動的脳活動を分析することができる。
ランダムウォークに基づく手法を用いて,脳領域の重要なコミュニティを決定するための新しいツールを開発した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As a relatively new field, network neuroscience has tended to focus on
aggregate behaviours of the brain averaged over many successive experiments or
over long recordings in order to construct robust brain models. These models
are limited in their ability to explain dynamic state changes in the brain
which occurs spontaneously as a result of normal brain function. Hidden Markov
Models (HMMs) trained on neuroimaging time series data have since arisen as a
method to produce dynamical models that are easy to train but can be difficult
to fully parametrise or analyse. We propose an interpretation of these neural
HMMs as multiplex brain state graph models we term Hidden Markov Graph Models
(HMGMs). This interpretation allows for dynamic brain activity to be analysed
using the full repertoire of network analysis techniques. Furthermore, we
propose a general method for selecting HMM hyperparameters in the absence of
external data, based on the principle of maximum entropy, and use this to
select the number of layers in the multiplex model. We produce a new tool for
determining important communities of brain regions using a spatiotemporal
random walk-based procedure that takes advantage of the underlying Markov
structure of the model. Our analysis of real multi-subject fMRI data provides
new results that corroborate the modular processing hypothesis of the brain at
rest as well as contributing new evidence of functional overlap between and
within dynamic brain state communities. Our analysis pipeline provides a way to
characterise dynamic network activity of the brain under novel behaviours or
conditions.
- Abstract(参考訳): 比較的新しい分野として、ネットワーク神経科学は、堅牢な脳モデルを構築するために、多くの連続した実験や長い記録で平均された脳の集合的行動に焦点を当てる傾向にある。
これらのモデルは、正常な脳機能の結果として自然に起こる脳の動的状態変化を説明する能力に制限がある。
神経画像時系列データに基づいて訓練された隠れマルコフモデル(hmm)は、訓練が容易であるが完全なパラメータ化や解析が困難である動的モデルを生成する方法として出現した。
我々は、これらのニューラルネットワークHMMを、隠れマルコフグラフモデル(HMGM)と呼ぶ多重脳状態グラフモデルとして解釈する。
この解釈により、ネットワーク分析技術の完全なレパートリーを用いて動的脳活動を分析することができる。
さらに、最大エントロピーの原理に基づいて、外部データがない場合にHMMハイパーパラメータを選択するための一般的な方法を提案し、これを多重化モデルにおけるレイヤー数を選択するために利用する。
モデルの基礎となるマルコフ構造を利用した時空間ランダム歩行法を用いて,脳領域の重要なコミュニティを決定する新しいツールを開発した。
実際のマルチオブジェクトfMRIデータの解析により、静止時の脳のモジュラー処理仮説を裏付ける新たな結果が得られ、また、動的脳状態コミュニティと機能的重複の新たな証拠となる。
我々の分析パイプラインは、新しい行動や条件下での脳の動的ネットワーク活動を特徴づける方法を提供する。
関連論文リスト
- Neuroformer: Multimodal and Multitask Generative Pretraining for Brain
Data [3.712362524473752]
最先端のシステム神経科学実験は大規模なマルチモーダルデータを生み出し、これらのデータセットは分析のための新しいツールを必要とする。
視覚領域と言語領域における大きな事前学習モデルの成功に触発されて、我々は大規模な細胞分解性神経スパイクデータの解析を自己回帰生成問題に再構成した。
我々はまず、シミュレーションデータセットでNeuroformerを訓練し、本質的なシミュレートされた神経回路の動作を正確に予測し、方向を含む基盤となる神経回路の接続性を推定した。
論文 参考訳(メタデータ) (2023-10-31T20:17:32Z) - DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。
機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。
しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。
本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
論文 参考訳(メタデータ) (2023-01-26T20:45:30Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳(メタデータ) (2021-09-22T16:52:51Z) - Continuous Learning and Adaptation with Membrane Potential and
Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。
このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。
実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文 参考訳(メタデータ) (2021-04-22T04:01:32Z) - Identification of brain states, transitions, and communities using
functional MRI [0.5872014229110214]
ベイズモデルに基づく潜在脳状態のキャラクタリゼーションを提案し,後方予測の不一致に基づく新しい手法を提案する。
タスク-fMRIデータの解析により得られた結果は、外部タスク要求と脳状態間の変化点の間の適切な遅延を示す。
論文 参考訳(メタデータ) (2021-01-26T08:10:00Z) - Is the brain macroscopically linear? A system identification of resting
state dynamics [7.312557272609717]
ニューラルダイナミクスの計算モデリングにおける中心的な課題は、精度と単純さのトレードオフである。
この仮説を、全脳血中酸素レベル依存性(BOLD)と顕微鏡場電位ダイナミクスのレベルで厳密かつデータ駆動的に調査します。
以上の結果から,視神経力学の理解と,神経精神疾患治療のためのモデルに基づく介入の原理的設計の促進が期待できる。
論文 参考訳(メタデータ) (2020-12-22T20:51:42Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳(メタデータ) (2020-12-07T01:20:38Z) - Learning identifiable and interpretable latent models of
high-dimensional neural activity using pi-VAE [10.529943544385585]
本稿では,潜在モデルと従来のニューラルエンコーディングモデルから重要な要素を統合する手法を提案する。
我々の手法であるpi-VAEは、同定可能な変分自動エンコーダの最近の進歩にインスパイアされている。
人工データを用いてpi-VAEを検証し,それをラット海馬およびマカク運動野の神経生理学的データセットの解析に応用した。
論文 参考訳(メタデータ) (2020-11-09T22:00:38Z) - 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) - Unifying and generalizing models of neural dynamics during
decision-making [27.46508483610472]
本稿では,意思決定作業中の神経活動モデリングのための統一フレームワークを提案する。
このフレームワークは標準ドリフト拡散モデルを含み、多次元アキュミュレータ、可変および崩壊境界、離散ジャンプなどの拡張を可能にする。
論文 参考訳(メタデータ) (2020-01-13T23:57:28Z)
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。