論文の概要: Brain Model State Space Reconstruction Using an LSTM Neural Network

• arxiv url: http://arxiv.org/abs/2301.08391v1
• Date: Fri, 20 Jan 2023 02:02:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-23 13:57:21.743361
• Title: Brain Model State Space Reconstruction Using an LSTM Neural Network
• Title（参考訳）: LSTMニューラルネットワークを用いた脳モデル状態空間再構成
• Authors: Yueyang Liu, Artemio Soto-Breceda, Yun Zhao, Phillipa Karoly, Mark J. Cook, David B. Grayden, Daniel Schmidt, Levin Kuhlmann1
• Abstract要約: 本研究では、深層学習技術を用いて脳波記録からニューラルマスモデル(NMM)の状態とパラメータを追跡する方法を提案する。 適切にカスタマイズされた損失関数により、LSTMフィルタはNMMの振る舞いを学習することができる。 実世界の応用例として、LSTMフィルタはてんかん発作を含む実際の脳波データにも適用された。
• 参考スコア（独自算出の注目度）: 2.603611220111237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective Kalman filtering has previously been applied to track neural model states and parameters, particularly at the scale relevant to EEG. However, this approach lacks a reliable method to determine the initial filter conditions and assumes that the distribution of states remains Gaussian. This study presents an alternative, data-driven method to track the states and parameters of neural mass models (NMMs) from EEG recordings using deep learning techniques, specifically an LSTM neural network. Approach An LSTM filter was trained on simulated EEG data generated by a neural mass model using a wide range of parameters. With an appropriately customised loss function, the LSTM filter can learn the behaviour of NMMs. As a result, it can output the state vector and parameters of NMMs given observation data as the input. Main Results Test results using simulated data yielded correlations with R squared of around 0.99 and verified that the method is robust to noise and can be more accurate than a nonlinear Kalman filter when the initial conditions of the Kalman filter are not accurate. As an example of real-world application, the LSTM filter was also applied to real EEG data that included epileptic seizures, and revealed changes in connectivity strength parameters at the beginnings of seizures. Significance Tracking the state vector and parameters of mathematical brain models is of great importance in the area of brain modelling, monitoring, imaging and control. This approach has no need to specify the initial state vector and parameters, which is very difficult to do in practice because many of the variables being estimated cannot be measured directly in physiological experiments. This method may be applied using any neural mass model and, therefore, provides a general, novel, efficient approach to estimate brain model variables that are often difficult to measure.
• Abstract（参考訳）: 客観的カルマンフィルタリングは、神経モデルの状態やパラメータ、特に脳波に関連するスケールを追跡するために以前にも適用されてきた。 しかし、このアプローチには初期フィルタ条件を決定するための信頼性の高い方法がなく、状態の分布がガウス的であると仮定する。 本研究では,深層学習手法,特にlstmニューラルネットワークを用いて,脳波記録からニューラルマスモデル(nmms)の状態とパラメータを追跡する代替データ駆動手法を提案する。 アプローチ LSTMフィルタは、幅広いパラメータを用いてニューラルマスモデルによって生成された脳波データに基づいて訓練された。 適切にカスタマイズされた損失関数により、LSTMフィルタはNMMの振る舞いを学ぶことができる。 その結果、入力として与えられたnmmの状態ベクトルとパラメータを出力することができる。 主結果: シミュレーションデータを用いた実験結果から, R2乗約0.99の相関関係が得られ, カルマンフィルタの初期条件が正確でない場合には, 非線形カルマンフィルタよりも精度が高く, ノイズに強いことが確認された。 実世界の応用例として、LSTMフィルタはてんかん発作を含む実際の脳波データにも適用され、発作開始時の接続強度パラメータの変化が明らかになった。 数学的脳モデルの状態ベクトルとパラメータを追跡する意義は、脳のモデリング、監視、イメージング、制御の分野で非常に重要である。 このアプローチは初期状態ベクトルとパラメータを指定する必要はないが、推定される変数の多くは、生理学的実験では直接測定できないため、実際は非常に難しい。 この方法は任意の神経質量モデルを用いて適用することができ、そのため、しばしば測定が難しい脳モデル変数を推定する一般的な、新しい、効率的なアプローチを提供する。

関連論文リスト

• Multi-Parameter Molecular MRI Quantification using Physics-Informed Self-Supervised Learning [0.0]
  生体物理モデルフィッティングは、生理的信号や画像から定量的パラメータを得る上で重要な役割を果たしている。 本稿では,常微分方程式(ODE)モデルを用いてパラメータ抽出逆問題の解法を提案する。 これは、数値ODEソルバをステップワイズ解析として機能させ、自動微分に基づく最適化と互換性を持たせることで実現される。
  論文  参考訳（メタデータ） (2024-11-10T12:40:33Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Physics Symbolic Learner for Discovering Ground-Motion Models Via NGA-West2 Database [4.059252581613122]
  地動モデル(GMM)は多くの地震工学研究の基礎となっている。 本研究では,数式演算子を記号として自動的に発見するために,新しい物理インフォームド記号学習法(PISL)を提案する。
  論文  参考訳（メタデータ） (2023-03-23T04:14:05Z)
• Parameter estimation for WMTI-Watson model of white matter using encoder-decoder recurrent neural network [0.0]
  本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。 提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
  論文  参考訳（メタデータ） (2022-03-01T16:33:15Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)
• Transfer Learning with Convolutional Networks for Atmospheric Parameter Retrieval [14.131127382785973]
  MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。 本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
  論文  参考訳（メタデータ） (2020-12-09T09:28:42Z)
• Physics-informed neural networks for myocardial perfusion MRI quantification [3.318100528966778]
  本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
  論文  参考訳（メタデータ） (2020-11-25T16:02:52Z)

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。