論文の概要: Mapping fNIRS to fMRI with Neural Data Augmentation and Machine Learning
Models
- arxiv url: http://arxiv.org/abs/2206.06486v1
- Date: Mon, 13 Jun 2022 21:32:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 09:30:18.090659
- Title: Mapping fNIRS to fMRI with Neural Data Augmentation and Machine Learning
Models
- Title（参考訳）: ニューラルデータ拡張と機械学習モデルによるfMRIへのfNIRSマッピング
- Authors: Jihyun Hur, Jaeyeong Yang, Hoyoung Doh, Woo-Young Ahn
- Abstract要約: 機能的磁気共鳴イメージング(fMRI)は、最も一般的で広く使われている神経イメージング技術である。
fMRIによる個人差のマーカーへの関心が高まっている。
機械学習モデルとデータ拡張を用いて、人間の認識のfMRIマーカーを予測する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advances in neuroimaging techniques have provided us novel insights into
understanding how the human mind works. Functional magnetic resonance imaging
(fMRI) is the most popular and widely used neuroimaging technique, and there is
growing interest in fMRI-based markers of individual differences. However, its
utility is often limited due to its high cost and difficulty acquiring from
specific populations, including children and infants. Surrogate markers, or
neural correlates of fMRI markers, would have important practical implications,
but we have few stand-alone predictors for the fMRI markers. Here, using
machine learning (ML) models and data augmentation, we predicted well-validated
fMRI markers of human cognition from multivariate patterns of functional
near-infrared spectroscopy (fNIRS), a portable and relatively inexpensive
optical neuroimaging technique. We recruited 50 human participants who
performed two cognitive tasks (stop signal task and probabilistic reversal
learning task), while neural activation was measured with either fNIRS or fMRI
at each of the total two visits. Using ML models and data augmentation, we
could predict the well-established fMRI markers of response inhibition or
prediction error signals from 48-channel fNIRS activation in the prefrontal
cortex. These results suggest that fNIRS might offer a surrogate marker of fMRI
activation, which would broaden our understanding of various populations,
including infants.
- Abstract（参考訳）: 神経画像技術の進歩は、人間の心がどのように機能するかを理解する新しい洞察を与えました。
機能的磁気共鳴イメージング(fMRI)は最も広く用いられている神経イメージング技術であり、個人差のfMRIベースのマーカーへの関心が高まっている。
しかし、その効用は高いコストと子供や幼児を含む特定の人口からの獲得が困難であるために制限されることが多い。
fMRIマーカーのサーロゲートマーカーまたはニューラル相関は、重要な実用的意味を持つが、fMRIマーカーに対するスタンドアローン予測器はほとんどない。
そこで我々は、機械学習モデルとデータ拡張を用いて、能動近赤外分光法(fNIRS)の多変量パターンから、人間の認識のfMRIマーカーを精度良く予測した。
全2回の訪問において,fNIRS,fMRI,fNIRS,fMRIの2つの認知タスク(ストップ信号タスクと確率的逆転学習タスク)を施行した50名の被験者を募集した。
MLモデルとデータ拡張を用いて、前頭前皮質の48チャンネルのfNIRS活性化による応答抑制や予測誤り信号のfMRIマーカーの確立を予測できる。
これらの結果から、fNIRSはfMRI活性化の補助的マーカーとなり、幼児を含む様々な集団の理解を広げる可能性が示唆された。
関連論文リスト
- Generative forecasting of brain activity enhances Alzheimer's classification and interpretation [16.09844316281377]
静止状態機能型磁気共鳴イメージング(rs-fMRI)は、神経活動を監視する非侵襲的な方法を提供する。
深層学習はこれらの表現を捉えることを約束している。
本研究では,データ拡張の一形態として,rs-fMRIから派生した独立成分ネットワークの時系列予測に着目した。
論文 参考訳（メタデータ） (2024-10-30T23:51:31Z) - NeuroBOLT: Resting-state EEG-to-fMRI Synthesis with Multi-dimensional Feature Mapping [9.423808859117122]
我々は,脳内のfMRI活動信号に生の脳波データを変換するためにNeuroBOLT,すなわちNeuro-to-BOLD Transformerを導入する。
実験の結果,NeuroBOLTは一次感覚野,高レベル認知領域,深部皮質下脳領域から観測不能なfMRI信号を効果的に再構成することがわかった。
論文 参考訳（メタデータ） (2024-10-07T02:47:55Z) - Machine Learning on Dynamic Functional Connectivity: Promise, Pitfalls, and Interpretations [7.013079422694949]
機能神経画像の深部モデル設計のための実証的ガイドラインの確立を目指す。
fMRIを用いた認知的タスク認識と疾患診断におけるSOTA(State-of-the-arts)のパフォーマンスはどのようなものか?
以上の課題に対処するため,様々な場面で総合的な評価と統計的分析を行った。
論文 参考訳（メタデータ） (2024-09-17T17:24:17Z) - MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。
このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。
実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文 参考訳（メタデータ） (2024-05-28T00:36:25Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - Leveraging sinusoidal representation networks to predict fMRI signals
from EEG [3.3121941932506473]
本稿では,マルチチャネル脳波から直接fMRI信号を予測できる新しいアーキテクチャを提案する。
本モデルは,脳波の周波数情報を学習するための正弦波表現ネットワーク(SIREN)を実装して実現している。
我々は,脳波-fMRI同時データセットを8被験者で評価し,脳皮質下 fMRI 信号の予測の可能性について検討した。
論文 参考訳（メタデータ） (2023-11-06T03:16:18Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - Video4MRI: An Empirical Study on Brain Magnetic Resonance Image
Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。
本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。
効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文 参考訳（メタデータ） (2023-02-24T15:26:31Z) - 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) - Learning Personal Representations from fMRIby Predicting Neurofeedback
Performance [52.77024349608834]
機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。
この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
論文 参考訳（メタデータ） (2021-12-06T10:16:54Z) - 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)
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。