論文の概要: Perturbing a Neural Network to Infer Effective Connectivity: Evidence
from Synthetic EEG Data
- arxiv url: http://arxiv.org/abs/2307.09770v1
- Date: Wed, 19 Jul 2023 06:14:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 15:18:01.934879
- Title: Perturbing a Neural Network to Infer Effective Connectivity: Evidence
from Synthetic EEG Data
- Title(参考訳): ニューラルネットワークによる効果的な接続性推定:合成脳波データによる証拠
- Authors: Peizhen Yang, Xinke Shen, Zongsheng Li, Zixiang Luo, Kexin Lou,
Quanying Liu
- Abstract要約: ニューラルネットワークをトレーニングして、過去のデータに基づいて将来の脳波信号を予測し、ネットワークの入力を摂動させ、効果的な接続性を得ました。
CNNとTransformerは3チャンネルと90チャンネルの合成脳波データで最高の性能を示し、古典的なグランガー因果性法よりも優れていた。
- 参考スコア(独自算出の注目度): 0.7829352305480285
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Identifying causal relationships among distinct brain areas, known as
effective connectivity, holds key insights into the brain's information
processing and cognitive functions. Electroencephalogram (EEG) signals exhibit
intricate dynamics and inter-areal interactions within the brain. However,
methods for characterizing nonlinear causal interactions among multiple brain
regions remain relatively underdeveloped. In this study, we proposed a
data-driven framework to infer effective connectivity by perturbing the trained
neural networks. Specifically, we trained neural networks (i.e., CNN, vanilla
RNN, GRU, LSTM, and Transformer) to predict future EEG signals according to
historical data and perturbed the networks' input to obtain effective
connectivity (EC) between the perturbed EEG channel and the rest of the
channels. The EC reflects the causal impact of perturbing one node on others.
The performance was tested on the synthetic EEG generated by a
biological-plausible Jansen-Rit model. CNN and Transformer obtained the best
performance on both 3-channel and 90-channel synthetic EEG data, outperforming
the classical Granger causality method. Our work demonstrated the potential of
perturbing an artificial neural network, learned to predict future system
dynamics, to uncover the underlying causal structure.
- Abstract(参考訳): 効果的な接続として知られる脳の異なる領域間の因果関係の同定は、脳の情報処理と認知機能に関する重要な洞察をもたらす。
eeg(electroencephalogram)信号は脳内の複雑な動態と脳間相互作用を示す。
しかし、複数の脳領域間の非線形因果相互作用を特徴付ける手法は比較的未発達である。
本研究では,訓練されたニューラルネットワークを摂動させることで,効果的な接続性を予測するためのデータ駆動型フレームワークを提案する。
具体的には、ニューラルネットワーク(CNN、バニラRNN、GRU、LSTM、Transformer)をトレーニングし、過去のデータに基づいて将来の脳波信号を予測し、ネットワークの入力を摂動させ、摂動した脳波チャネルと他のチャネルとの効果的な接続(EC)を得る。
ECは、1つのノードを他のノードに摂動させることによる因果的影響を反映している。
実測可能なJansen-Ritモデルにより生成した合成脳波を用いて実験を行った。
cnnとtransformerは、3チャンネルおよび90チャンネルの合成脳波データにおいて、古典的なグランジャー因果法よりも優れた性能を得た。
我々の研究は、人工ニューラルネットワークの摂動の可能性を示し、将来のシステムダイナミクスを予測し、基礎となる因果構造を明らかにすることを学習した。
関連論文リスト
- Learning with Chemical versus Electrical Synapses -- Does it Make a
Difference? [61.85704286298537]
バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。
我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
論文 参考訳(メタデータ) (2023-11-21T13:07:20Z) - 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) - PTGB: Pre-Train Graph Neural Networks for Brain Network Analysis [39.16619345610152]
臨床結果に関係なく,脳内ネットワーク構造をキャプチャするGNN事前学習フレームワークPTGBを提案する。
PTGBは,(1)脳ネットワークに特化して設計された教師なし事前学習技術で,タスク固有のラベルを持たない大規模データセットからの学習を可能にすること,(2)異なるROIシステムを持つデータセット間の知識伝達を容易にするデータ駆動型パーセルレーションアトラスマッピングパイプラインである。
論文 参考訳(メタデータ) (2023-05-20T21:07:47Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - 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) - Data-Driven Blind Synchronization and Interference Rejection for Digital
Communication Signals [98.95383921866096]
本研究では,データ駆動型深層学習手法の可能性について検討した。
本研究では,高分解能時間構造(非定常性)の取得が性能向上につながることを示す。
既製のNNと古典的検出と干渉除去の両方で改善可能なドメインインフォームドニューラルネットワーク(NN)の設計を提案する。
論文 参考訳(メタデータ) (2022-09-11T14:10:37Z) - Modeling Associative Plasticity between Synapses to Enhance Learning of
Spiking Neural Networks [4.736525128377909]
Spiking Neural Networks(SNN)は、ニューラルネットワークの第3世代であり、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする。
本稿では,シナプス間の結合可塑性をモデル化し,頑健で効果的な学習機構を提案する。
本手法は静的および最先端のニューロモルフィックデータセット上での優れた性能を実現する。
論文 参考訳(メタデータ) (2022-07-24T06:12:23Z) - Coherence of Working Memory Study Between Deep Neural Network and
Neurophysiology [0.0]
本研究では,深層ニューラルネットワークの関心領域間のコヒーレントな対応について検討する。
グローバル平均プーリング(GAP)によって誘導される注意メカニズムは、ワーキングメモリの公開EEGデータセットに適用される。
結果は異なる研究分野のroisのアライメントを示している。
論文 参考訳(メタデータ) (2021-02-06T09:09:57Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳(メタデータ) (2021-01-18T13:28:08Z) - GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding
Time-resolved EEG Motor Imagery Signals [8.19994663278877]
グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。
導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
論文 参考訳(メタデータ) (2020-06-16T04:57:12Z)
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。