論文の概要: Benchmarking Deep Jansen-Rit Parameter Inference: An in Silico Study
- arxiv url: http://arxiv.org/abs/2406.05002v1
- Date: Fri, 7 Jun 2024 15:16:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-10 13:32:11.979167
- Title: Benchmarking Deep Jansen-Rit Parameter Inference: An in Silico Study
- Title（参考訳）: 深Jansen-Ritパラメータ推定のベンチマーク: in Silico Study
- Authors: Deepa Tilwani, Christian O'Reilly,
- Abstract要約: 種々の雑音条件下での脳波をシミュレーションしたJansen-Ritニューラルマスモデル(JR-NMM)のパラメータ推定のためのBi-LSTMモデルの性能をベンチマークした。
以上の結果から,脳波から局所的JR-NMMパラメータを予測できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The study of effective connectivity (EC) is essential in understanding how the brain integrates and responds to various sensory inputs. Model-driven estimation of EC is a powerful approach that requires estimating global and local parameters of a generative model of neural activity. Insights gathered through this process can be used in various applications, such as studying neurodevelopmental disorders. However, accurately determining EC through generative models remains a significant challenge due to the complexity of brain dynamics and the inherent noise in neural recordings, e.g., in electroencephalography (EEG). Current model-driven methods to study EC are computationally complex and cannot scale to all brain regions as required by whole-brain analyses. To facilitate EC assessment, an inference algorithm must exhibit reliable prediction of parameters in the presence of noise. Further, the relationship between the model parameters and the neural recordings must be learnable. To progress toward these objectives, we benchmarked the performance of a Bi-LSTM model for parameter inference from the Jansen-Rit neural mass model (JR-NMM) simulated EEG under various noise conditions. Additionally, our study explores how the JR-NMM reacts to changes in key biological parameters (i.e., sensitivity analysis) like synaptic gains and time constants, a crucial step in understanding the connection between neural mechanisms and observed brain activity. Our results indicate that we can predict the local JR-NMM parameters from EEG, supporting the feasibility of our deep-learning-based inference approach. In future work, we plan to extend this framework to estimate local and global parameters from real EEG in clinically relevant applications.
- Abstract（参考訳）: 効果的な接続性(EC)の研究は、脳が様々な感覚入力をどのように統合し反応するかを理解するのに不可欠である。
ECのモデル駆動推定は、神経活動の生成モデルのグローバルパラメータとローカルパラメータを推定する必要がある強力なアプローチである。
このプロセスを通じて収集された洞察は、神経発達障害の研究など、様々な応用に利用することができる。
しかし、脳波計(EEG)では脳波の複雑化や脳波記録における固有のノイズのため、生成モデルによる心電図の正確な決定は依然として重要な課題である。
ECを研究するための現在のモデル駆動の手法は計算学的に複雑であり、脳全体の分析に必要なすべての脳領域に拡張することはできない。
ECアセスメントを容易にするために、推測アルゴリズムはノイズの存在下でパラメータの信頼性の高い予測を提示する必要がある。
さらに、モデルパラメータとニューラル記録の関係を学習しなくてはならない。
これらの目的に向けて,Jansen-Rit ニューラルマスモデル (JR-NMM) を用いたパラメータ推定のためのBi-LSTMモデルの性能評価を行った。
さらに, 神経機構と脳活動の関連性を理解するための重要なステップとして, JR-NMMがシナプス利得や時間定数などの重要な生物学的パラメータ(感度分析)の変化にどのように反応するかを検討する。
以上の結果から,脳波から局所的JR-NMMパラメータを予測できることが示唆された。
今後,臨床応用における実脳波から局所的および大域的パラメータを推定するために,この枠組みを拡張していく予定である。
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) - An Empirical Evaluation of Neural and Neuro-symbolic Approaches to
Real-time Multimodal Complex Event Detection [5.803352384948482]
従来のエンドツーエンドのニューラルネットワークは、コンテキストサイズや推論能力に制限があるため、長期にわたるイベントに苦労する。
人間の知識を活用するニューラルモデルとシンボリックモデルを統合するニューロシンボリック手法の最近の進歩は、少ないデータでパフォーマンスを向上させることを約束している。
本研究は,複合事象検出(CED)におけるこれらのアプローチの有効性のギャップを解消するものである。
マルチモーダルCEDタスクにおけるニューラル・ニューラル・シンボリック・アーキテクチャの性能について検討し,IMUおよび音響データストリームを分析してCEパターンを認識する。
論文 参考訳（メタデータ） (2024-02-17T23:34:50Z) - Simulation-based Inference for Cardiovascular Models [57.92535897767929]
シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。
臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。
我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
論文 参考訳（メタデータ） (2023-07-26T02:34:57Z) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - 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) - Ranking of Communities in Multiplex Spatiotemporal Models of Brain
Dynamics [0.0]
隠れマルコフグラフモデル(HMs)と呼ぶ多重脳状態グラフモデルとして、ニューラルHMMの解釈を提案する。
この解釈により、ネットワーク分析技術の完全なレパートリーを使用して、動的脳活動を分析することができる。
ランダムウォークに基づく手法を用いて,脳領域の重要なコミュニティを決定するための新しいツールを開発した。
論文 参考訳（メタデータ） (2022-03-17T12:14:09Z) - 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) - Increasing Liquid State Machine Performance with Edge-of-Chaos Dynamics
Organized by Astrocyte-modulated Plasticity [0.0]
液体状態機械(LSM)は勾配のバックプロパゲーションなしで内部重量を調整する。
近年の知見は、アストロサイトがシナプスの可塑性と脳のダイナミクスを調節していることを示唆している。
本稿では, 自己組織的近接臨界力学を用いて, 性能の低いニューロン-アストロサイト液状状態機械 (NALSM) を提案する。
論文 参考訳（メタデータ） (2021-10-26T23:04:40Z) - 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) - Learning identifiable and interpretable latent models of
high-dimensional neural activity using pi-VAE [10.529943544385585]
本稿では,潜在モデルと従来のニューラルエンコーディングモデルから重要な要素を統合する手法を提案する。
我々の手法であるpi-VAEは、同定可能な変分自動エンコーダの最近の進歩にインスパイアされている。
人工データを用いてpi-VAEを検証し,それをラット海馬およびマカク運動野の神経生理学的データセットの解析に応用した。
論文 参考訳（メタデータ） (2020-11-09T22:00:38Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳（メタデータ） (2020-09-16T15:16:03Z)
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。