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
- Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳(メタデータ) (2024-01-17T07:54:49Z) - 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) - Contrastive Graph Pooling for Explainable Classification of Brain
Networks [11.369085394329016]
機能的磁気共鳴イメージング(fMRI)は神経活動を測定するために一般的に用いられる技術である。
グラフとしてのfMRIデータの解析とグラフニューラルネットワーク(GNN)による特徴抽出
効果的なドメイン記述可能な機能を生成するためにGNNを配置することは、依然として困難である。
我々は、fMRI特有の要件を満たす脳ネットワークにおいて、GNNをよりよく活用するためのContrastPoolを提案する。
論文 参考訳(メタデータ) (2023-07-07T11:49:55Z) - Contrast, Attend and Diffuse to Decode High-Resolution Images from Brain
Activities [31.448924808940284]
2相fMRI表現学習フレームワークを提案する。
第1フェーズでは、double-contrastive Mask Auto-encoderを提案してfMRI機能学習者を事前訓練し、識別表現を学習する。
第2フェーズでは、イメージオートエンコーダからのガイダンスで視覚的再構成に最も有用な神経活性化パターンに参加するように、特徴学習者に調整する。
論文 参考訳(メタデータ) (2023-05-26T19:16:23Z) - 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) - neuro2vec: Masked Fourier Spectrum Prediction for Neurophysiological
Representation Learning [17.99757247672905]
神経生理学的信号の自己教師付き事前学習のためのフーリエに基づくモデリングフレームワークを初めて提示する。
我々のモデリング手法は、下流の神経生理学的タスクを大きなマージンで改善することを示します。
論文 参考訳(メタデータ) (2022-04-20T16:48:18Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - 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。