論文の概要: Classification of executive functioning performance post-longitudinal tDCS using functional connectivity and machine learning methods

• arxiv url: http://arxiv.org/abs/2401.17700v1
• Date: Wed, 31 Jan 2024 09:45:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 15:19:33.068674
• Title: Classification of executive functioning performance post-longitudinal tDCS using functional connectivity and machine learning methods
• Title（参考訳）: 機能的接続と機械学習を用いた縦断後tDCSの幹部機能分類
• Authors: Akash K Rao, Vishnu K Menon, Shashank Uttrani, Ayushman Dixit, Dipanshu Verma, Varun Dutt
• Abstract要約: エグゼクティブ・ファンクション(Executive functioning)とは、人間が目標指向の方法で行動の計画、組織化、規制を可能にする認知プロセスである。 本研究では、機能接続と機械学習アルゴリズムを用いて、TDCS後の実行機能のパフォーマンスを分類する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Executive functioning is a cognitive process that enables humans to plan, organize, and regulate their behavior in a goal-directed manner. Understanding and classifying the changes in executive functioning after longitudinal interventions (like transcranial direct current stimulation (tDCS)) has not been explored in the literature. This study employs functional connectivity and machine learning algorithms to classify executive functioning performance post-tDCS. Fifty subjects were divided into experimental and placebo control groups. EEG data was collected while subjects performed an executive functioning task on Day 1. The experimental group received tDCS during task training from Day 2 to Day 8, while the control group received sham tDCS. On Day 10, subjects repeated the tasks specified on Day 1. Different functional connectivity metrics were extracted from EEG data and eventually used for classifying executive functioning performance using different machine learning algorithms. Results revealed that a novel combination of partial directed coherence and multi-layer perceptron (along with recursive feature elimination) resulted in a high classification accuracy of 95.44%. We discuss the implications of our results in developing real-time neurofeedback systems for assessing and enhancing executive functioning performance post-tDCS administration.
• Abstract（参考訳）: エグゼクティブ・ファンクション(executive functioning)は、人間がゴール指向の方法で行動を計画、整理、調整できる認知プロセスである。 経頭蓋直流刺激 (transcranial direct current stimulation, tdcs) の経時的介入後の行政機能の変化の理解と分類は文献で検討されていない。 本研究は,tdc後の業務機能評価を分類するために,機能接続と機械学習アルゴリズムを用いる。 50名の被験者を実験群とプラセボ群に分けた。 脳波データを収集し,1日目に実行機能タスクを行った。 実験グループは2日目から8日目までタスクトレーニング中にtDCSを受け、コントロールグループはシャムtDCSを受けた。 10日目、被験者は1日目に指定した課題を繰り返した。 eegデータから異なる機能的コネクティビティ指標を抽出し、最終的には異なる機械学習アルゴリズムを使用してエグゼクティブ機能パフォーマンスの分類に使用した。 その結果、部分的指向性コヒーレンスと多層パーセプトロン(再帰的特徴除去)の組み合わせにより、95.44%の高い分類精度が得られた。 本稿では,tdcs後の行政機能評価と改善を目的とした,リアルタイム神経フィードバックシステムの開発における結果の意義について考察する。

関連論文リスト

• Reinforcement Learning with Action Sequence for Data-Efficient Robot Learning [62.3886343725955]
  本稿では,行動列上のQ値を出力する批判ネットワークを学習する新しいRLアルゴリズムを提案する。 提案アルゴリズムは,現在および将来の一連の行動の実行結果を学習するために値関数を明示的に訓練することにより,ノイズのある軌道から有用な値関数を学習することができる。
  論文  参考訳（メタデータ） (2024-11-19T01:23:52Z)
• Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems [70.84976977950075]
  実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。 本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。 我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
  論文  参考訳（メタデータ） (2024-02-29T23:07:07Z)
• Prediction of multitasking performance post-longitudinal tDCS via EEG-based functional connectivity and machine learning methods [1.9351774578832828]
  認知能力の変化を予測するため,脳波に基づく機能的接続解析と機械学習アルゴリズムを用いた。 本稿では,リアルタイム認知状態評価装置の開発における結果の影響について論じる。
  論文  参考訳（メタデータ） (2024-01-31T10:03:27Z)
• SAR-RARP50: Segmentation of surgical instrumentation and Action Recognition on Robot-Assisted Radical Prostatectomy Challenge [72.97934765570069]
  外科的動作認識と意味計測のセグメンテーションのための,最初のマルチモーダルなインビボデータセットを公開し,ロボット補助根治術(RARP)の50の縫合ビデオセグメントを収録した。 この課題の目的は、提供されたデータセットのスケールを活用し、外科領域における堅牢で高精度なシングルタスクアクション認識とツールセグメンテーションアプローチを開発することである。 合計12チームがこのチャレンジに参加し、7つのアクション認識方法、9つの計器のセグメンテーション手法、そしてアクション認識と計器のセグメンテーションを統合した4つのマルチタスクアプローチをコントリビュートした。
  論文  参考訳（メタデータ） (2023-12-31T13:32:18Z)
• ST(OR)2: Spatio-Temporal Object Level Reasoning for Activity Recognition in the Operating Room [6.132617753806978]
  ORにおける外科的活動認識のための新しい試料効率およびオブジェクトベースアプローチを提案する。 本手法は, 臨床医と手術器具の幾何学的配置に着目し, ORにおける重要な物体相互作用のダイナミクスを活用する。
  論文  参考訳（メタデータ） (2023-12-19T15:33:57Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Identification of Cognitive Workload during Surgical Tasks with Multimodal Deep Learning [20.706268332427157]
  関連する認知ワークロード(CWL)の増加は、予期せぬ、反復的なタスクへの対処から生じる。 本稿では,CWLのマルチモーダル認識のための2つの機械学習手法のカスケードを提案する。 畳み込みニューラルネットワーク(CNN)は、この情報を用いて、各手術タスクに関連するさまざまなタイプのCWLを識別する。
  論文  参考訳（メタデータ） (2022-09-12T18:29:34Z)
• Lifelong Learning Metrics [63.8376359764052]
  DARPA Lifelong Learning Machines (L2M) プログラムは、人工知能(AI)システムの進歩を目指している。 本論文は、生涯学習シナリオを実行するエージェントのパフォーマンスの構築と特徴付けのためのフォーマリズムを概説する。
  論文  参考訳（メタデータ） (2022-01-20T16:29:14Z)
• Improving Phenotype Prediction using Long-Range Spatio-Temporal Dynamics of Functional Connectivity [9.015698823470899]
  空間と時間にまたがる機能的脳結合をモデル化するためのアプローチを提案する。 我々は、性別分類とインテリジェンス予測にヒューマン・コネクトーム・プロジェクト(Human Connectome Project)データセットを使用する。 その結果、性別の予測精度は94.4%、流体インテリジェンス(0.325対0.144)との相関は、空間と時間を別々に符号化するベースラインモデルと比較して改善された。
  論文  参考訳（メタデータ） (2021-09-07T14:23:34Z)

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。