論文の概要: Learning Cortico-Muscular Dependence through Orthonormal Decomposition of Density Ratios

• arxiv url: http://arxiv.org/abs/2410.14697v1
• Date: Fri, 04 Oct 2024 16:05:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-27 05:40:28.953039
• Title: Learning Cortico-Muscular Dependence through Orthonormal Decomposition of Density Ratios
• Title（参考訳）: 密度比のオルソノーマル分解による皮質筋依存性の学習
• Authors: Shihan Ma, Bo Hu, Tianyu Jia, Alexander Kenneth Clarke, Blanka Zicher, Arnault H. Caillet, Dario Farina, Jose C. Principe,
• Abstract要約: 本研究では,皮質振動と筋振動の関係をモデル化するために,密度比の正則分解に基づく統計的依存推定器の新たな応用を提案する。 本研究では,皮質筋接続から学習した固有関数が,運動と被験者を正確に分類できることを実験的に実証した。
• 参考スコア（独自算出の注目度）: 39.3721526159124
• License:
• Abstract: The cortico-spinal neural pathway is fundamental for motor control and movement execution, and in humans it is typically studied using concurrent electroencephalography (EEG) and electromyography (EMG) recordings. However, current approaches for capturing high-level and contextual connectivity between these recordings have important limitations. Here, we present a novel application of statistical dependence estimators based on orthonormal decomposition of density ratios to model the relationship between cortical and muscle oscillations. Our method extends from traditional scalar-valued measures by learning eigenvalues, eigenfunctions, and projection spaces of density ratios from realizations of the signal, addressing the interpretability, scalability, and local temporal dependence of cortico-muscular connectivity. We experimentally demonstrate that eigenfunctions learned from cortico-muscular connectivity can accurately classify movements and subjects. Moreover, they reveal channel and temporal dependencies that confirm the activation of specific EEG channels during movement.
• Abstract（参考訳）: 皮質-脊髄神経経路は運動制御と運動実行の基礎であり、ヒトでは典型的には同時脳波 (EEG) とEMG (Electromyography) 記録を用いて研究される。 しかし、これらの記録間の高レベルかつ文脈的な接続を捉えるための現在のアプローチには、重要な制限がある。 本稿では,大脳皮質振動と筋振動の関係をモデル化するために,密度比の正則分解に基づく統計的依存推定器の新たな応用を提案する。 本手法は, 信号の実現から密度比の固有値, 固有関数, 投射空間を学習し, 皮質筋接続の解釈可能性, 拡張性, 局所時間依存性に対処することによって, 従来のスカラー評価尺度から拡張する。 本研究では,皮質筋接続から学習した固有関数が,運動と被験者を正確に分類できることを実験的に実証した。 さらに、運動中の特定の脳波チャネルの活性化を確認するチャネルおよび時間依存性を明らかにする。

関連論文リスト

• Deep vectorised operators for pulsatile hemodynamics estimation in coronary arteries from a steady-state prior [2.3971720731010766]
  本稿では,拍動血行動態を推定するために,機械学習を利用した時間効率な代理モデルを提案する。 本モデルでは, 震源領域の再サンプリングに依存せず, 脈動速度と圧力の正確な推定値が得られた。
  論文  参考訳（メタデータ） (2024-10-15T12:24:50Z)
• 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)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Self-Supervised Learning for Physiologically-Based Pharmacokinetic Modeling in Dynamic PET [36.28565007063204]
  Voxel-wise physiologically based of the Time Activity curves (TAC) は、臨床ワークフローに関連性のある診断情報を提供することができる。 本研究は、測定されたTACと学習された運動パラメータで生成されたものとの類似性を強制する自己教師付きPET損失定式化を導入する。 我々の知る限りでは、これは非線形の運動モデルと整合した運動パラメータのエルボックスワイズ計算を可能にする最初の自己教師ネットワークである。
  論文  参考訳（メタデータ） (2023-05-17T21:08:02Z)
• 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)
• Spatio-temporally separable non-linear latent factor learning: an application to somatomotor cortex fMRI data [0.0]
  潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。 空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。 本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-26T21:30:22Z)
• Learning shared neural manifolds from multi-subject FMRI data [13.093635609349874]
  MRMD-AEmaniと呼ばれる,複数の被験者から共通の埋め込みを実験で学習するニューラルネットワークを提案する。 学習した共通空間は、テンポラル多様体(トレーニング中に見えない新しい点をマッピングできる)を表し、目に見えない時間点の刺激特徴の分類を改善する。 このフレームワークは、将来的には脳-コンピュータインタフェース(BCI)トレーニングなど、多くのダウンストリームアプリケーションに応用できると考えています。
  論文  参考訳（メタデータ） (2021-12-22T23:08:39Z)
• 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)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)

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。