論文の概要: Leveraging The Finite States of Emotion Processing to Study Late-Life
Mental Health
- arxiv url: http://arxiv.org/abs/2403.03414v1
- Date: Wed, 6 Mar 2024 02:46:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 16:25:01.428176
- Title: Leveraging The Finite States of Emotion Processing to Study Late-Life
Mental Health
- Title（参考訳）: 終末期メンタルヘルス研究のための感情処理の有限状態の活用
- Authors: Yuanzhe Huang, Saurab Faruque, Minjie Wu, Akiko Mizuno, Eduardo Diniz,
Shaolin Yang, George Dewitt Stetten, Noah Schweitzer, Hecheng Jin, Linghai
Wang, Howard J. Aizenstein
- Abstract要約: 隠れマルコフモデル(HMM)は、観測可能な複数の構成要素間の逐次関係を記述する統計モデルである。
本稿では,FSA理論に着目した簡易かつ直感的なHMM処理パイプラインvcHMM(See Preliminary Data)について述べる。
- 参考スコア（独自算出の注目度）: 0.3370543514515051
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional approaches in mental health research apply General Linear Models
(GLM) to describe the longitudinal dynamics of observed psycho-behavioral
measurements (questionnaire summary scores). Similarly, GLMs are also applied
to characterize relationships between neurobiological measurements (regional
fMRI signals) and perceptual stimuli or other regional signals. While these
methods are useful for exploring linear correlations among the isolated signals
of those constructs (i.e., summary scores or fMRI signals), these classical
frameworks fall short in providing insights into the comprehensive system-level
dynamics underlying observable changes. Hidden Markov Models (HMM) are a
statistical model that enable us to describe the sequential relations among
multiple observable constructs, and when applied through the lens of Finite
State Automata (FSA), can provide a more integrated and intuitive framework for
modeling and understanding the underlying controller (the prescription for how
to respond to inputs) that fundamentally defines any system, as opposed to
linearly correlating output signals produced by the controller. We present a
simple and intuitive HMM processing pipeline vcHMM (See Preliminary Data) that
highlights FSA theory and is applicable for both behavioral analysis of
questionnaire data and fMRI data. HMMs offer theoretic promise as they are
computationally equivalent to the FSA, the control processor of a Turing
Machine (TM) The dynamic programming Viterbi algorithm is used to leverage the
HMM model. It efficiently identifies the most likely sequence of hidden states.
The vcHMM pipeline leverages this grammar to understand how behavior and neural
activity relate to depression.
- Abstract（参考訳）: 精神保健研究における伝統的なアプローチは、観察された精神行動測定の経時的ダイナミクスを記述するために一般線形モデル(GLM)を用いている。
同様に、GLMは神経生物学的測定(地域fMRI信号)と知覚刺激や他の地域信号との関係を特徴づけるためにも用いられる。
これらの手法は、これらの構成要素の孤立した信号(要約スコアやfmri信号)間の線形相関を探索するのに有用であるが、これらの古典的なフレームワークは、観測可能な変化の基礎となるシステムレベルのダイナミクスに関する洞察を提供するのに不足している。
隠れマルコフモデル(HMM)は、複数の可観測構造間の逐次関係を記述できる統計モデルであり、有限状態オートマタ(FSA)のレンズを通して適用すると、制御器が生成する出力信号を線形に関連付けるのとは対照的に、根底にある制御器(入力への応答の基準)をモデル化し理解するための、より統合的で直感的なフレームワークを提供することができる。
本稿では,単純かつ直感的なhmm処理パイプラインvchmm(予備データ参照)を提案し,fsa理論を強調し,アンケートデータとfmriデータの行動分析に適用する。
HMMは、チューリングマシン(TM)の制御プロセッサであるFSAと計算的に等価であるため、理論的な約束を提供する。
隠れた状態の最も可能性の高いシーケンスを効率的に識別する。
vcHMMパイプラインは、この文法を利用して、行動と神経活動がうつにどのように関係するかを理解する。
関連論文リスト
- 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) - 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) - QXAI: Explainable AI Framework for Quantitative Analysis in Patient
Monitoring Systems [9.29069202652354]
定量的分析のための説明可能なAI(QXAI)フレームワークは、回帰および分類タスクのポストホックモデル説明可能性と本質的な説明可能性によって提案される。
我々は,センサデータに基づく心拍数予測と身体活動の分類を行うために,人工ニューラルネットワーク (ANN) と注意に基づく双方向LSTM (BiLSTM) モデルを採用した。
論文 参考訳（メタデータ） (2023-09-19T03:50:30Z) - 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) - Formal Controller Synthesis for Markov Jump Linear Systems with
Uncertain Dynamics [64.72260320446158]
マルコフジャンプ線形系に対する制御器の合成法を提案する。
本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。
本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
論文 参考訳（メタデータ） (2022-12-01T17:36:30Z) - Combining Machine Learning and Agent-Based Modeling to Study Biomedical
Systems [0.0]
エージェントベースモデリング(エージェントベースモデリング、ABM)は、構成体間の相互作用を通じて複雑なシステムをシミュレートするためのよく確立されたパラダイムである。
機械学習(ML)は、統計アルゴリズムがシステム行動の事前理論を課すことなく、自身のデータから'学習する'アプローチを指す。
論文 参考訳（メタデータ） (2022-06-02T15:19:09Z) - 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) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z) - Autoregressive Hidden Markov Models with partial knowledge on latent
space applied to aero-engines prognostics [2.179313476241343]
本稿では,ARPHMM(Auto Regressive Partially-hidden Markov Model)を用いて,センサデータに基づく機器の故障検出と予後予測を行う。
健康指標に基づいて,このモデルを用いて残りの生活を推定する方法を示す。
論文 参考訳（メタデータ） (2021-05-01T10:23:22Z) - Identification of brain states, transitions, and communities using
functional MRI [0.5872014229110214]
ベイズモデルに基づく潜在脳状態のキャラクタリゼーションを提案し,後方予測の不一致に基づく新しい手法を提案する。
タスク-fMRIデータの解析により得られた結果は、外部タスク要求と脳状態間の変化点の間の適切な遅延を示す。
論文 参考訳（メタデータ） (2021-01-26T08:10:00Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。