論文の概要: No More Sliding-Windows: Dynamic Functional Connectivity Based On Random Convolutions Without Learning

• arxiv url: http://arxiv.org/abs/2406.16619v2
• Date: Thu, 18 Jul 2024 15:32:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 20:12:48.477601
• Title: No More Sliding-Windows: Dynamic Functional Connectivity Based On Random Convolutions Without Learning
• Title（参考訳）: No more Sliding-Windows: 学習なしのランダム畳み込みに基づく動的関数接続性
• Authors: Yongjie Duan, Zhiying Long,
• Abstract要約: 本稿では,動的機能接続(DFC)の計算手法であるRandConを提案する。 RandConは、学習することなくBOLD信号上で直接畳み込み操作を行い、機能的な接続機能を抽出する。 実データから、この手法は、短時間のウィンドウ内で安定性を維持し、男女差をよりよく識別することを示す。
• 参考スコア（独自算出の注目度）: 1.8416014644193066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compared to static functional connectivity, dynamic functional connectivity provides more detailed temporal information. The traditional sliding window method constructs functional connectivity matrices by applying a moving time window across the entire time series to calculate correlations between brain regions. However, as a method of feature extraction, it exhibits significant limitations, such as the dependency of feature dimensions on the window length and the generation of features lacking information from other time points within the window. This paper presents RandCon, a novel method for calculating dynamic functional connectivity (DFC), which employs randomly generated multi-dimensional convolution kernels. This method performs convolution operations directly on the BOLD signal without the need for learning, extracting functional connectivity features. Compared to the sliding window method, RandCon shows notable improvements in performance on simulated data, particularly in terms of temporal accuracy and noise resistance. Results from real data indicate that this method maintains stability within short time windows and better identifies gender differences. Furthermore, we propose a more comprehensive theoretical framework, the multi-dimensional convolution method, where the sliding window method and its variants are specific cases of this method. The proposed method is straightforward and efficient, significantly broadening the scope of dynamic functional connectivity research and offering substantial theoretical and practical potential.
• Abstract（参考訳）: 静的機能接続と比較して、動的機能接続はより詳細な時間情報を提供する。 従来のスライディングウインドウは、時系列全体にわたって移動時間ウインドウを適用して機能的接続行列を構築し、脳領域間の相関を計算する。 しかし,特徴抽出の手法として,ウィンドウ長に対する特徴次元の依存性や,ウィンドウ内の他の時間点からの情報を欠いた特徴の生成など,大きな制約が生じる。 本稿では,ランダムに生成された多次元畳み込みカーネルを用いた動的機能接続(DFC)の計算手法であるRandConを提案する。 本手法は,BOLD信号上で直接畳み込み操作を行う。 スライドウインドウ法と比較して、RandConは、特に時間的精度と耐雑音性の観点から、シミュレーションデータの性能が顕著に向上したことを示す。 実データから、この手法は、短時間のウィンドウ内で安定性を維持し、男女差をよりよく識別することを示す。 さらに,スライディングウインドウ法とその変種を具体例とする,より包括的な理論的枠組みである多次元畳み込み法を提案する。 提案手法は単純かつ効率的であり, 動的機能接続研究の範囲を大きく広げ, 理論的, 実用的可能性を提供する。

関連論文リスト

• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Image Reconstruction for Accelerated MR Scan with Faster Fourier Convolutional Neural Networks [87.87578529398019]
  部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。 本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。 2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。 k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
  論文  参考訳（メタデータ） (2023-06-05T13:53:57Z)
• Data-driven modelling of brain activity using neural networks, Diffusion Maps, and the Koopman operator [0.0]
  タスク依存型fMRIデータから脳活動の長期外ダイナミクスをモデル化するための機械学習手法を提案する。 我々は拡散写像(DM)を用いて、創発的な高次元fMRI時系列が進化する低次元多様体をパラメータ化する変数の集合を発見する。 組込み多様体上にFNN(Feedforward Neural Networks)とクープマン演算子(Koopman operator)という2つの手法を用いて、低次モデル(ROM)を構築する。
  論文  参考訳（メタデータ） (2023-04-24T09:08:12Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• BolT: Fused Window Transformers for fMRI Time Series Analysis [0.0]
  血液酸素レベル依存型トランスフォーマであるBolTをfMRI時系列解析のために提案する。 ウィンドウをまたいだ情報を統合するために、隣接する時間ウィンドウのベーストークンとフランジトークンの間で、クロスウィンドウアテンションが計算される。 公開fMRIデータセットの実験は、最先端の手法に対するBolTの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2022-05-23T19:17:06Z)
• Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration [63.15453821022452]
  ディープラーニングに基づくアプローチの最近の発展は、DiffIRのサブ秒間実行を実現している。 本稿では,中間定常速度場を機能的に構成する簡易な反復スキームを提案する。 次に、任意の順序の正規化項を用いて、これらの速度場に滑らかさを課す凸最適化モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-26T19:56:45Z)
• Fast computation of mutual information in the frequency domain with applications to global multimodal image alignment [3.584984184069584]
  情報理論における相互情報(MI)の概念は,多モードアライメントプロセスの導出のための類似度尺度として広く用いられている。 すべての離散空間変位に対する計算MIの効率的なアルゴリズムを提案する。 提案手法の有効性を3つのベンチマークデータセットで評価した。
  論文  参考訳（メタデータ） (2021-06-28T13:27:05Z)

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。