論文の概要: MBrain: A Multi-channel Self-Supervised Learning Framework for Brain
Signals
- arxiv url: http://arxiv.org/abs/2306.13102v1
- Date: Thu, 15 Jun 2023 09:14:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-02 13:54:49.155273
- Title: MBrain: A Multi-channel Self-Supervised Learning Framework for Brain
Signals
- Title（参考訳）: MBrain:脳信号のためのマルチチャネル自己監視学習フレームワーク
- Authors: Donghong Cai, Junru Chen, Yang Yang, Teng Liu, Yafeng Li
- Abstract要約: 本稿では,SEEGデータとEEGデータのいずれかを事前学習できる脳信号の自己教師型学習フレームワークについて検討する。
そこで我々は,異なるチャネル間の空間的および時間的相関を暗黙的に学習するために,MBrainを提案する。
我々のモデルは、最先端のSSLおよび教師なしモデルよりも優れており、臨床に展開する能力を持っている。
- 参考スコア（独自算出の注目度）: 7.682832730967219
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain signals are important quantitative data for understanding physiological
activities and diseases of human brain. Most existing studies pay attention to
supervised learning methods, which, however, require high-cost clinical labels.
In addition, the huge difference in the clinical patterns of brain signals
measured by invasive (e.g., SEEG) and non-invasive (e.g., EEG) methods leads to
the lack of a unified method. To handle the above issues, we propose to study
the self-supervised learning (SSL) framework for brain signals that can be
applied to pre-train either SEEG or EEG data. Intuitively, brain signals,
generated by the firing of neurons, are transmitted among different connecting
structures in human brain. Inspired by this, we propose MBrain to learn
implicit spatial and temporal correlations between different channels (i.e.,
contacts of the electrode, corresponding to different brain areas) as the
cornerstone for uniformly modeling different types of brain signals.
Specifically, we represent the spatial correlation by a graph structure, which
is built with proposed multi-channel CPC. We theoretically prove that
optimizing the goal of multi-channel CPC can lead to a better predictive
representation and apply the instantaneou-time-shift prediction task based on
it. Then we capture the temporal correlation by designing the
delayed-time-shift prediction task. Finally, replace-discriminative-learning
task is proposed to preserve the characteristics of each channel. Extensive
experiments of seizure detection on both EEG and SEEG large-scale real-world
datasets demonstrate that our model outperforms several state-of-the-art time
series SSL and unsupervised models, and has the ability to be deployed to
clinical practice.
- Abstract（参考訳）: 脳信号は人間の脳の生理的活動や病気を理解するための重要な定量的データである。
既存の研究の多くは教師あり学習法に注意を払っており、これは高コストの臨床ラベルを必要とする。
さらに、侵襲的(SEEGなど)と非侵襲的(EEGなど)によって測定される脳信号の臨床的パターンの大きな違いは、統一された方法の欠如につながる。
上記の問題に対処するため,SEEGデータとEEGデータの両方を事前学習可能な脳信号のための自己教師付き学習(SSL)フレームワークについて検討する。
直感的には、ニューロンの発射によって生じる脳信号は、人間の脳内の様々な結合構造の間で伝達される。
そこで本研究では,脳信号の一様モデル化の基礎として,異なるチャネル(例えば電極の接点,異なる脳領域に対応する)間の暗黙的な空間的・時間的相関を学習するためのmbrainを提案する。
具体的には,提案するマルチチャネルCPCを用いて構築したグラフ構造を用いて空間相関を表現する。
理論的には,マルチチャネルcpcの目標を最適化することで,より優れた予測表現が可能となり,それに基づく瞬時時間シフト予測タスクを適用できることを実証する。
そして、遅延時間シフト予測タスクを設計することで時間相関を捉える。
最後に,各チャネルの特性を保存するために,置換判別学習タスクを提案する。
脳波とSEEGの両方の大規模実世界のデータセットにおける発作検出の大規模な実験により、我々のモデルは、最先端の時系列SSLおよび教師なしモデルよりも優れており、臨床実践に展開する能力があることが示された。
関連論文リスト
- Brain-Cognition Fingerprinting via Graph-GCCA with Contrastive Learning [28.681229869236393]
縦断的神経画像研究は、脳機能と認知の間の動的相互作用を研究することによって、脳の老化と疾患の理解を改善することを目的としている。
本稿では,グラフ注意ネットワークと一般化相関解析を用いた教師なし学習モデルを提案する。
個々の人の独特の神経・認知表現型を反映した脳認知指紋を作成するために、モデルは個別化およびマルチモーダル・コントラスト学習にも依存する。
論文 参考訳（メタデータ） (2024-09-20T20:36:20Z) - 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) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳（メタデータ） (2024-04-30T10:53:30Z) - Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳（メタデータ） (2023-12-16T04:31:51Z) - A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳（メタデータ） (2023-09-21T08:53:51Z) - Deep Representations for Time-varying Brain Datasets [4.129225533930966]
本稿では、領域マップされたfMRIシーケンスと構造接続性の両方を入力として組み込んだ効率的なグラフニューラルネットワークモデルを構築する。
サンプルレベルの適応的隣接行列を学習することで、潜伏する脳のダイナミクスのよい表現を見つけ出す。
これらのモジュールは容易に適応でき、神経科学領域以外の用途にも有用である可能性がある。
論文 参考訳（メタデータ） (2022-05-23T21:57:31Z) - 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) - Recurrent Brain Graph Mapper for Predicting Time-Dependent Brain Graph
Evaluation Trajectory [0.0]
脳障害は、脳の構造的および機能的結合性の変化を観察することで検出できる。
最近の研究は、機械学習モデルの提案により、時間とともに脳の結合性の進化を予測することを目的としている。
本稿では、時間依存型脳疾患の診断において、より効率的な代替手段として、脳結合性を用いることを提案する。
論文 参考訳（メタデータ） (2021-10-06T09:25:55Z) - Towards a Neural Model for Serial Order in Frontal Cortex: a Brain
Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。
我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。
これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
論文 参考訳（メタデータ） (2020-05-22T14:29:51Z) - Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。
深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。
私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
論文 参考訳（メタデータ） (2020-02-29T18:49:45Z)
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。