論文の概要: Neurophysiological Analysis in Motor and Sensory Cortices for Improving Motor Imagination

• arxiv url: http://arxiv.org/abs/2411.05811v1
• Date: Thu, 31 Oct 2024 00:18:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-17 08:33:24.723129
• Title: Neurophysiological Analysis in Motor and Sensory Cortices for Improving Motor Imagination
• Title（参考訳）: 運動機能改善のための運動・感覚皮質の神経生理学的解析
• Authors: Si-Hyun Kim, Sung-Jin Kim, Dae-Hyeok Lee,
• Abstract要約: 脳コンピュータインタフェース(BCI)は、神経信号をデコードすることで、脳と外部デバイス間の直接通信を可能にする。 脳波信号を用いた運動実行(ME)タスクと運動画像(MI)タスクのニューラルシグネチャについて検討した。
• 参考スコア（独自算出の注目度）: 3.4068841624198942
• License:
• Abstract: Brain-computer interface (BCI) enables direct communication between the brain and external devices by decoding neural signals, offering potential solutions for individuals with motor impairments. This study explores the neural signatures of motor execution (ME) and motor imagery (MI) tasks using EEG signals, focusing on four conditions categorized as sense-related (hot and cold) and motor-related (pull and push) conditions. We conducted scalp topography analysis to examine activation patterns in the sensorimotor cortex, revealing distinct regional differences: sense--related conditions primarily activated the posterior region of the sensorimotor cortex, while motor--related conditions activated the anterior region of the sensorimotor cortex. These spatial distinctions align with neurophysiological principles, suggesting condition-specific functional subdivisions within the sensorimotor cortex. We further evaluated the performances of three neural network models-EEGNet, ShallowConvNet, and DeepConvNet-demonstrating that ME tasks achieved higher classification accuracies compared to MI tasks. Specifically, in sense-related conditions, the highest accuracy was observed in the cold condition. In motor-related conditions, the pull condition showed the highest performance, with DeepConvNet yielding the highest results. These findings provide insights into optimizing BCI applications by leveraging specific condition-induced neural activations.
• Abstract（参考訳）: 脳-コンピュータインターフェース(BCI)は、神経信号をデコードすることで、脳と外部デバイス間の直接通信を可能にし、運動障害を持つ個人に対して潜在的な解決策を提供する。 本研究では,脳波信号を用いた運動実行(ME)と運動画像(MI)タスクのニューラルシグネチャについて検討し,感覚関連(熱・寒冷)と運動関連(プル・アンド・プッシュ)の4つの条件に着目した。 感覚関連条件は主に感覚関連皮質の後部領域を活性化するが,運動関連条件は感覚関連皮質の前部領域を活性化する。 これらの空間的区別は神経生理学的原理と一致し、感覚運動野内の条件特異的な機能的区分を示唆している。 さらに,EEGNet,ShallowConvNet,DeepConvNetの3つのニューラルネットワークモデルの性能評価を行った。 特に, 感覚関連条件では, 寒冷条件では最も高い精度が観察された。 運動関連条件ではプル条件が最も優れ,DeepConvNetが最も高い結果を得た。 これらの知見は、特定の条件によって引き起こされる神経活性化を利用して、BCIアプリケーションを最適化するための洞察を与える。

関連論文リスト

• NeuroBOLT: Resting-state EEG-to-fMRI Synthesis with Multi-dimensional Feature Mapping [9.423808859117122]
  我々は,脳内のfMRI活動信号に生の脳波データを変換するためにNeuroBOLT,すなわちNeuro-to-BOLD Transformerを導入する。 実験の結果,NeuroBOLTは一次感覚野,高レベル認知領域,深部皮質下脳領域から観測不能なfMRI信号を効果的に再構成することがわかった。
  論文  参考訳（メタデータ） (2024-10-07T02:47:55Z)
• 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)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• The Neuron as a Direct Data-Driven Controller [43.8450722109081]
  本研究は、ニューロンを最適フィードバックコントローラとして概念化し、予測を最適化する現在の規範モデルを拡張する。 我々は、ニューロンを生物学的に実現可能なコントローラとしてモデル化し、ループダイナミクスを暗黙的に識別し、潜伏状態を推測し、制御を最適化する。 我々のモデルは、従来の、フィードフォワード、即時応答のマカロック-ピッツ-ローゼンブラットニューロンから大きく離れており、ニューラルネットワークを構築するための、新しく生物学的にインフォームドされた基本ユニットを提供する。
  論文  参考訳（メタデータ） (2024-01-03T01:24:10Z)
• Learning with Chemical versus Electrical Synapses -- Does it Make a Difference? [61.85704286298537]
  バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。 我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
  論文  参考訳（メタデータ） (2023-11-21T13:07:20Z)
• 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)
• Mental arithmetic task classification with convolutional neural network based on spectral-temporal features from EEG [0.47248250311484113]
  ディープニューラルネットワーク(DNN)は、コンピュータビジョンアプリケーションにおいて大きな優位性を示している。 ここでは、主に2つの畳み込みニューラルネットワーク層を使用し、比較的少ないパラメータと高速で脳波からスペクトル時間的特徴を学習する浅層ニューラルネットワークを提案する。 実験の結果、浅いCNNモデルは他の全てのモデルより優れており、最高分類精度は90.68%に達した。
  論文  参考訳（メタデータ） (2022-09-26T02:15:22Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• An Improved EEG Acquisition Protocol Facilitates Localized Neural Activation [0.9134244356393664]
  本研究は,運動画像の脳波記録プロトコルの改良を提案する。 その結果、被験者は画像の試行後に運動動作を行う必要があるという利点が示された。 これは麻痺/ロックイン患者の意図した運動指令に応答して脳の活性化を検出するためのより良い脳波取得プロトコルであることが証明されるかもしれない。
  論文  参考訳（メタデータ） (2020-03-13T04:46:40Z)
• Mapping Motor Cortex Stimulation to Muscle Responses: A Deep Neural Network Modeling Approach [1.0118253437732934]
  対応する脳刺激から筋反応を確実にモデル化できるディープニューラルネットワーク(DNN)は、協調運動制御の知識を増大させる可能性がある。 本研究では,M2M-Netの最適性能に対して,最小二乗誤差を持つモデルを提案する。
  論文  参考訳（メタデータ） (2020-02-14T21:24:42Z)

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。