論文の概要: Reconstructing physiological signals from fMRI across the adult lifespan
- arxiv url: http://arxiv.org/abs/2408.14453v1
- Date: Mon, 26 Aug 2024 17:48:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 13:02:15.457627
- Title: Reconstructing physiological signals from fMRI across the adult lifespan
- Title（参考訳）: 成人期におけるfMRIの生理的シグナルの再構成
- Authors: Shiyu Wang, Ziyuan Xu, Yamin Li, Mara Mather, Roza G. Bayrak, Catie Chang,
- Abstract要約: fMRIデータから低周波呼吸量(RV)と心拍変動(HR)の2つの重要な生理的シグナルを再構成するための新しい枠組みを提案する。
本手法は, 成人期の幅広い個体のfMRIデータから直接, 重要な生理的変数を推測する。
- 参考スコア（独自算出の注目度）: 2.913600409605699
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interactions between the brain and body are of fundamental importance for human behavior and health. Functional magnetic resonance imaging (fMRI) captures whole-brain activity noninvasively, and modeling how fMRI signals interact with physiological dynamics of the body can provide new insight into brain function and offer potential biomarkers of disease. However, physiological recordings are not always possible to acquire since they require extra equipment and setup, and even when they are, the recorded physiological signals may contain substantial artifacts. To overcome this limitation, machine learning models have been proposed to directly extract features of respiratory and cardiac activity from resting-state fMRI signals. To date, such work has been carried out only in healthy young adults and in a pediatric population, leaving open questions about the efficacy of these approaches on older adults. Here, we propose a novel framework that leverages Transformer-based architectures for reconstructing two key physiological signals - low-frequency respiratory volume (RV) and heart rate (HR) fluctuations - from fMRI data, and test these models on a dataset of individuals aged 36-89 years old. Our framework outperforms previously proposed approaches (attaining median correlations between predicted and measured signals of r ~ .698 for RV and r ~ .618 for HR), indicating the potential of leveraging attention mechanisms to model fMRI-physiological signal relationships. We also evaluate several model training and fine-tuning strategies, and find that incorporating young-adult data during training improves the performance when predicting physiological signals in the aging cohort. Overall, our approach successfully infers key physiological variables directly from fMRI data from individuals across a wide range of the adult lifespan.
- Abstract（参考訳）: 脳と身体の相互作用は、人間の行動と健康にとって基本的な重要性である。
機能的磁気共鳴イメージング(fMRI)は脳全体の活動を非侵襲的に捉え、fMRI信号が身体の生理的ダイナミクスとどのように相互作用するかをモデル化することで、脳機能に対する新たな洞察を与え、潜在的な疾患のバイオマーカーを提供する。
しかし、追加の機器や装置を必要とするため、生理的記録は必ずしも取得できないため、記録された生理的信号には実質的なアーティファクトが含まれている可能性がある。
この制限を克服するために、安静時fMRI信号から呼吸および心臓活動の特徴を直接抽出する機械学習モデルが提案されている。
現在までに、このような研究は健康な若年層と小児にのみ行われており、これらのアプローチが高齢者に有効であるかどうかというオープンな疑問が残されている。
そこで本研究では,トランスフォーマーをベースとしたアーキテクチャを用いて,fMRIデータから低周波呼吸量 (RV) と心拍変動 (HR) の2つの重要な生理的信号を再構成し,これらのモデルを36～89歳の被験者のデータセット上で検証する手法を提案する。
提案手法はこれまでに提案した手法(RVではr ~ .698,HRではr ~ .618)より優れており,fMRI-生理的信号関係のモデル化に注意機構を活用する可能性を示している。
また,いくつかのモデルトレーニングと微調整戦略を評価し,訓練中に若年者のデータを取り入れることで,老化コホートにおける生理的信号の予測性能が向上することを見出した。
本手法は, 成体寿命の幅広い個人からのfMRIデータから直接, 重要な生理的変数を推測することに成功した。
関連論文リスト
- MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。
このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。
実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文 参考訳（メタデータ） (2024-05-28T00:36:25Z) - 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) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - Machine Learning-based Estimation of Respiratory Fluctuations in a Healthy Adult Population using BOLD fMRI and Head Motion Parameters [39.96015789655091]
多くのfMRI研究では、呼吸信号が欠如しているか、品質が悪いことがしばしばある。
周辺記録装置を必要とせずに、fMRIデータから直接呼吸変動(RV)波形を抽出するツールを持つことは、非常に有益である。
本研究では,頭部運動パラメータとBOLD信号を用いたRV波形再構成のためのCNNモデルを提案する。
論文 参考訳（メタデータ） (2024-04-30T21:53:11Z) - Leveraging sinusoidal representation networks to predict fMRI signals
from EEG [3.3121941932506473]
本稿では,マルチチャネル脳波から直接fMRI信号を予測できる新しいアーキテクチャを提案する。
本モデルは,脳波の周波数情報を学習するための正弦波表現ネットワーク(SIREN)を実装して実現している。
我々は,脳波-fMRI同時データセットを8被験者で評価し,脳皮質下 fMRI 信号の予測の可能性について検討した。
論文 参考訳（メタデータ） (2023-11-06T03:16:18Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - 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) - Mapping fNIRS to fMRI with Neural Data Augmentation and Machine Learning
Models [0.0]
機能的磁気共鳴イメージング(fMRI)は、最も一般的で広く使われている神経イメージング技術である。
fMRIによる個人差のマーカーへの関心が高まっている。
機械学習モデルとデータ拡張を用いて、人間の認識のfMRIマーカーを予測する。
論文 参考訳（メタデータ） (2022-06-13T21:32:30Z) - Deep-learning-enabled Brain Hemodynamic Mapping Using Resting-state fMRI [35.87417668902519]
RS-fMRIは脳循環動態のマッピングや障害のデライン化に有用である。
RS-fMRIにおける呼吸パターンの時間変化を利用して、深層学習は脳血管反応性の再現可能なマッピングを可能にする。
論文 参考訳（メタデータ） (2022-04-25T14:03:46Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z)
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。