論文の概要: Multivariate Wasserstein Functional Connectivity for Autism Screening

• arxiv url: http://arxiv.org/abs/2209.11703v1
• Date: Fri, 23 Sep 2022 16:23:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 17:00:20.039553
• Title: Multivariate Wasserstein Functional Connectivity for Autism Screening
• Title（参考訳）: 自閉症スクリーニングのための多変量waserstein機能接続
• Authors: Oleg Kachan, Alexander Bernstein
• Abstract要約: 我々は,代表時系列を使わずに,興味のある地域を直接比較することを提案する。 自閉症スクリーニングタスクにおけるWasserstein機能接続性の評価を行った。
• 参考スコア（独自算出の注目度）: 82.68524566142271
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most approaches to the estimation of brain functional connectivity from the functional magnetic resonance imaging (fMRI) data rely on computing some measure of statistical dependence, or more generally, a distance between univariate representative time series of regions of interest (ROIs) consisting of multiple voxels. However, summarizing a ROI's multiple time series with its mean or the first principal component (1PC) may result to the loss of information as, for example, 1PC explains only a small fraction of variance of the multivariate signal of the neuronal activity. We propose to compare ROIs directly, without the use of representative time series, defining a new measure of multivariate connectivity between ROIs, not necessarily consisting of the same number of voxels, based on the Wasserstein distance. We assess the proposed Wasserstein functional connectivity measure on the autism screening task, demonstrating its superiority over commonly used univariate and multivariate functional connectivity measures.
• Abstract（参考訳）: 機能的磁気共鳴画像(fMRI)データから脳の機能的接続を推定するための最も一般的なアプローチは、統計的依存度(またはより一般的には、複数のボクセルからなる関心領域(ROI)の単変量代表時間列間の距離)の計算に依存する。 しかし、ROIの多重時系列を平均または第一主成分(1PC)で要約すると、例えば、1PCは神経活動の多変量信号のわずかなばらつきしか説明できないため、情報の損失をもたらす可能性がある。 代表時系列を使わずにROIを直接比較し、ワッサーシュタイン距離に基づいて、必ずしも同じ数のボクセルからなるとは限らないROI間の多変量接続の新たな尺度を定義することを提案する。 提案する自閉症スクリーニングタスクにおけるwaserstein機能接続尺度を評価し,汎用の非変量・多変量機能接続尺度よりもその優越性を示す。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Joint Alignment of Multivariate Quasi-Periodic Functional Data Using Deep Learning [0.0]
  深層ニューラルネットワークを用いた多変量準周期関数の結合アライメント法を提案する。 提案するニューラルネットワークは,単位単純度変換に基づく出力の特別な活性化を利用する。 本手法は,12個の心電図記録から得られた2つのシミュレーションデータセットと1つの実例を用いて実証した。
  論文  参考訳（メタデータ） (2023-11-14T10:09:40Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Capturing functional connectomics using Riemannian partial least squares [0.0]
  神経疾患や疾患では、ヒトの脳の機能的および解剖学的コネクトームは、介入や治療戦略をよりよく知るために用いられる。 機能接続を解析するための1つのアプローチは、高次元の予測データのために設計された多変量回帰手法である、部分最小二乗法(PLS)を用いることである。
  論文  参考訳（メタデータ） (2023-06-30T02:24:34Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Learning shared neural manifolds from multi-subject FMRI data [13.093635609349874]
  MRMD-AEmaniと呼ばれる,複数の被験者から共通の埋め込みを実験で学習するニューラルネットワークを提案する。 学習した共通空間は、テンポラル多様体(トレーニング中に見えない新しい点をマッピングできる)を表し、目に見えない時間点の刺激特徴の分類を改善する。 このフレームワークは、将来的には脳-コンピュータインタフェース(BCI)トレーニングなど、多くのダウンストリームアプリケーションに応用できると考えています。
  論文  参考訳（メタデータ） (2021-12-22T23:08:39Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• Distance Correlation Based Brain Functional Connectivity Estimation and Non-Convex Multi-Task Learning for Developmental fMRI Studies [26.256396288380433]
  男性と女性における機能的接続の年齢差について検討した。 非関心機能型マルチタスク学習予測モデル(NCMTL)を提案する。 実験の結果,提案したNCMTLモデルは他の競合するMTLモデルよりも優れていた。
  論文  参考訳（メタデータ） (2020-09-30T21:48:52Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Joint Total Variation ESTATICS for Robust Multi-Parameter Mapping [0.0]
  ESTATICSは、R2*と複数の外挿インターセプトを抽出するために、複数のエコー系列の連接対数整合を行う。 提案アルゴリズムは,リッチな単目的データセットにおいて,左からのエコーを予測して評価する。
  論文  参考訳（メタデータ） (2020-05-28T19:08:42Z)

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。