論文の概要: High-Accuracy Machine Learning Techniques for Functional Connectome
Fingerprinting and Cognitive State Decoding
- arxiv url: http://arxiv.org/abs/2211.07507v1
- Date: Mon, 14 Nov 2022 16:41:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 20:10:04.330660
- Title: High-Accuracy Machine Learning Techniques for Functional Connectome
Fingerprinting and Cognitive State Decoding
- Title（参考訳）: 機能的コネクトームフィンガープリントと認知状態復号のための高精度機械学習技術
- Authors: Andrew Hannum, Mario A. Lopez, Sa\'ul A. Blanco, Richard F. Betzel
- Abstract要約: 本研究は、認知的要求タスクに基づく、個人の脳の指紋と認知状態に関する最近の研究に基づいている。
提案手法は、fMRIスキャンの被検体の識別と、前例のない被検体の認知状態の分類の両方において、最大99%の精度を達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The human brain is a complex network comprised of functionally and
anatomically interconnected brain regions. A growing number of studies have
suggested that empirical estimates of brain networks may be useful for
discovery of biomarkers of disease and cognitive state. A prerequisite for
realizing this aim, however, is that brain networks also serve as reliable
markers of an individual. Here, using Human Connectome Project data, we build
upon recent studies examining brain-based fingerprints of individual subjects
and cognitive states based on cognitively-demanding tasks that assess, for
example, working memory, theory of mind, and motor function. Our approach
achieves accuracy of up to 99\% for both identification of the subject of an
fMRI scan, and for classification of the cognitive state of a previously-unseen
subject in a scan. More broadly, we explore the accuracy and reliability of
five different machine learning techniques on subject fingerprinting and
cognitive state decoding objectives, using functional connectivity data from
fMRI scans of a high number of subjects (865) across a number of cognitive
states (8). These results represent an advance on existing techniques for
functional connectivity-based brain fingerprinting and state decoding.
Additionally, 16 different pre-processing pipelines are compared in order to
characterize the effects of different aspects of the production of functional
connectomes (FCs) on the accuracy of subject and task classification, and to
identify possible confounds.
- Abstract（参考訳）: ヒト脳は機能的および解剖学的に結合した脳領域からなる複雑なネットワークである。
多くの研究が、脳ネットワークの実験的推定が、疾患や認知状態のバイオマーカーの発見に有用であると示唆している。
しかし、この目的を実現するための前提条件は、脳ネットワークが個人の信頼できるマーカーでもあることである。
本稿では、人間のコネクトームプロジェクトデータを用いて、作業記憶、心の理論、運動機能などを評価する認知的要求課題に基づいて、個々の被験者と認知状態の脳ベースの指紋を調べる最近の研究を行った。
提案手法は、fMRIスキャンの被検体の識別と、前例のない被検体の認知状態の分類の両方において、最大99 %の精度を実現する。
より広範に、多数の被験者(865名)のfMRIスキャン(865名)の機能的接続データを用いて、被験者の指紋認証と認知状態復号化のための5種類の機械学習技術の精度と信頼性について検討した。
これらの結果は、機能的接続に基づく脳のフィンガープリントと状態復号のための既存の技術の進歩を表している。
さらに、16の異なる前処理パイプラインを比較し、機能的コネクトーム(fcs)生産の異なる側面が主題とタスクの分類の精度に及ぼす影響を特徴付け、考えられるコンファウンドを特定する。
関連論文リスト
- Cross-subject Brain Functional Connectivity Analysis for Multi-task Cognitive State Evaluation [16.198003101055264]
本研究は脳機能と脳波信号とを併用し,複数の被験者の脳領域の関連性を把握し,リアルタイム認知状態を評価する。
分析と評価のために30件の被験者が取得され, 内的対象, 対人的対象, ジェンダー的基盤となる脳機能接続など, さまざまな視点で解釈される。
論文 参考訳（メタデータ） (2024-08-27T12:51:59Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - BRACTIVE: A Brain Activation Approach to Human Visual Brain Learning [11.517021103782229]
本稿では,脳活動ネットワーク(BRACTIVE)について紹介する。
BRACTIVEの主な目的は、被験者の視覚的特徴をfMRI信号を介して対応する脳表現と整合させることである。
実験の結果, BRACTIVEは顔や身体選択領域など, 個人特有の関心領域を効果的に識別できることがわかった。
論文 参考訳（メタデータ） (2024-05-29T06:50:13Z) - Post-hoc and manifold explanations analysis of facial expression data based on deep learning [4.586134147113211]
本稿では、ニューラルネットワークが顔の表情データを処理し、保存し、それらと人間の心理的属性を関連づける方法について検討する。
研究者たちはディープラーニングモデルVGG16を利用して、ニューラルネットワークが顔データの主要な特徴を学習し、再現できることを実証した。
実験結果は、人間の感情や認知過程を理解するための深層学習モデルの可能性を明らかにした。
論文 参考訳（メタデータ） (2024-04-29T01:19:17Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Brain Networks and Intelligence: A Graph Neural Network Based Approach to Resting State fMRI Data [2.193937336601403]
本稿では,rsfMRIによる接続行列上のグラフニューラルネットワークを用いて,インテリジェンス(流動性,結晶化,全知能)を予測するBrainRGINという新しいモデリングアーキテクチャを提案する。
本手法では,脳のサブネットワーク組織の性質を反映するグラフ畳み込み層に,クラスタリングに基づく埋め込みとグラフ同型ネットワークを組み込む。
論文 参考訳（メタデータ） (2023-11-06T20:58:07Z) - Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph
Convolutional Network [0.8399688944263843]
既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。
本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。
我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
論文 参考訳（メタデータ） (2022-10-08T12:14:33Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - CogAlign: Learning to Align Textual Neural Representations to Cognitive
Language Processing Signals [60.921888445317705]
自然言語処理モデルに認知言語処理信号を統合するためのCogAlignアプローチを提案する。
我々は、CogAlignが、パブリックデータセット上の最先端モデルよりも、複数の認知機能で大幅な改善を実現していることを示す。
論文 参考訳（メタデータ） (2021-06-10T07:10:25Z) - A Developmental Neuro-Robotics Approach for Boosting the Recognition of
Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。
本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文 参考訳（メタデータ） (2020-03-23T14:55:00Z) - Continuous Emotion Recognition via Deep Convolutional Autoencoder and
Support Vector Regressor [70.2226417364135]
マシンはユーザの感情状態を高い精度で認識できることが不可欠である。
ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。
表情認識に基づく連続的感情認識のための新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-01-31T17:47:16Z)
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。