論文の概要: Deep Neural Imputation: A Framework for Recovering Incomplete Brain
Recordings
- arxiv url: http://arxiv.org/abs/2206.08094v1
- Date: Thu, 16 Jun 2022 11:20:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-18 03:30:37.544849
- Title: Deep Neural Imputation: A Framework for Recovering Incomplete Brain
Recordings
- Title(参考訳): deep neural imputation:不完全脳記録の回復のための枠組み
- Authors: Sabera Talukder, Jennifer J. Sun, Matthew Leonard, Bingni W. Brunton,
Yisong Yue
- Abstract要約: 空間的位置, 日, 参加者間で収集されたデータから学習することで, 電極から欠落した値を復元する枠組みを提案する。
1つのディープオートエンコーダモデルが個別に参加者をモデル化し、もう1つはこのアーキテクチャを拡張して多数の参加者を共同でモデル化する。
DNIは時系列だけでなく、周波数内容も復元し、さらにDNIの実用的価値を確立していることを示す。
- 参考スコア(独自算出の注目度): 29.439909786675216
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neuroscientists and neuroengineers have long relied on multielectrode neural
recordings to study the brain. However, in a typical experiment, many factors
corrupt neural recordings from individual electrodes, including electrical
noise, movement artifacts, and faulty manufacturing. Currently, common practice
is to discard these corrupted recordings, reducing already limited data that is
difficult to collect. To address this challenge, we propose Deep Neural
Imputation (DNI), a framework to recover missing values from electrodes by
learning from data collected across spatial locations, days, and participants.
We explore our framework with a linear nearest-neighbor approach and two deep
generative autoencoders, demonstrating DNI's flexibility. One deep autoencoder
models participants individually, while the other extends this architecture to
model many participants jointly. We evaluate our models across 12 human
participants implanted with multielectrode intracranial electrocorticography
arrays; participants had no explicit task and behaved naturally across hundreds
of recording hours. We show that DNI recovers not only time series but also
frequency content, and further establish DNI's practical value by recovering
significant performance on a scientifically-relevant downstream neural decoding
task.
- Abstract(参考訳): 神経科学者や神経工学者は長い間、脳を研究するために多電極神経記録に頼ってきた。
しかし、典型的な実験では、電気ノイズ、運動アーティファクト、欠陥製造など、個々の電極からの神経記録を破損させる要因が数多くある。
現在一般的には、これらの破損した記録を破棄し、収集が困難なデータを削減する。
この課題に対処するために、空間的位置、日、参加者間で収集されたデータから学習することで、電極から欠落した値を回復するフレームワークであるDeep Neural Imputation (DNI)を提案する。
我々は,DNIの柔軟性を実証し,近接する線形アプローチと2つの深層生成オートエンコーダを用いて,我々のフレームワークを探索する。
1つの深いオートエンコーダモデルは参加者を個別に、もう1つは多数の参加者を共同でモデル化するためにこのアーキテクチャを拡張します。
マルチ電極を用いた頭蓋内電図アレイを移植した12名の被験者を対象に,本モデルの評価を行った。
我々は,DNIが時系列だけでなく,周波数内容も回復し,科学的に関連のある下流神経復号処理において重要な性能を回復することにより,DNIの実用的価値を確立することを示す。
関連論文リスト
- A Unified, Scalable Framework for Neural Population Decoding [12.052847252465826]
神経活動の集団動態をモデル化するためのトレーニングフレームワークとアーキテクチャを導入する。
我々は,ヒト以外の霊長類7種の大規模データセットに基づいて訓練された大規模マルチセッションモデルを構築した。
論文 参考訳(メタデータ) (2023-10-24T17:58:26Z) - BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph
Diffusion Learning [21.689503325383253]
実世界のSEEGデータセットにおけるてんかん性波を検出するための,最初のデータ駆動型研究を提案する。
臨床的には、てんかん波の活動は脳の異なる領域間で伝播していると考えられている。
各患者に対して正確なてんかん原性ネットワークをどうやって抽出するかという問題は、神経科学の分野では未解決の問題のままである。
論文 参考訳(メタデータ) (2023-06-15T08:29:10Z) - 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) - Capturing cross-session neural population variability through
self-supervised identification of consistent neuron ensembles [1.2617078020344619]
ディープニューラルネットワークの自己教師型トレーニングは、セッション間変動の補償に利用できることを示す。
シーケンシャルな自動符号化モデルは、未来まで数日間、完全に見えない記録セッションのために、最先端の動作復号性能を維持することができる。
論文 参考訳(メタデータ) (2022-05-19T20:00:33Z) - SUMO: Advanced sleep spindle identification with neural networks [0.0]
睡眠時スピンドルを自動的に検出するU-Net型ディープニューラルネットワークモデルを提案する。
我々のモデルの性能は、最先端の検出器とMODAデータセットのほとんどの専門家を上回る。
論文 参考訳(メタデータ) (2022-02-06T11:35:47Z) - Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。
本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。
ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文 参考訳(メタデータ) (2021-12-02T12:45:46Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳(メタデータ) (2021-11-29T15:27:51Z) - Deep Metric Learning with Locality Sensitive Angular Loss for
Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。
本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。
このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文 参考訳(メタデータ) (2021-10-13T21:51:56Z) - Training Deep Spiking Auto-encoders without Bursting or Dying Neurons
through Regularization [9.34612743192798]
スパイクニューラルネットワークは、計算神経科学における次世代の脳モデルに対する有望なアプローチである。
膜電位に基づくバックプロパゲーションを用いたエンドツーエンド学習を、スパイクする畳み込みオートエンコーダに適用する。
膜電位とスパイク出力に正規化を適用することで、死と破裂の両方のニューロンをうまく回避できることを示す。
論文 参考訳(メタデータ) (2021-09-22T21:27:40Z) - 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) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳(メタデータ) (2020-02-02T21:09:39Z)
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。