論文の概要: Neural decoding from stereotactic EEG: accounting for electrode variability across subjects

• arxiv url: http://arxiv.org/abs/2411.10458v1
• Date: Fri, 01 Nov 2024 17:58:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-24 05:33:08.199397
• Title: Neural decoding from stereotactic EEG: accounting for electrode variability across subjects
• Title（参考訳）: 定位脳波からのニューラルデコーディング--被検体間の電極変動を考慮した
• Authors: Georgios Mentzelopoulos, Evangelos Chatzipantazis, Ashwin G. Ramayya, Michelle J. Hedlund, Vivek P. Buch, Kostas Daniilidis, Konrad P. Kording, Flavia Vitale,
• Abstract要約: 本稿では,SEEGデータを用いて被験者間の振る舞いを復号化するためのトレーニングフレームワークである seegnificant を紹介する。 本研究では,行動課題を遂行する21人の被験者の複合データに基づいて学習した多目的モデルを構築した。
• 参考スコア（独自算出の注目度）: 21.28778005847666
• License:
• Abstract: Deep learning based neural decoding from stereotactic electroencephalography (sEEG) would likely benefit from scaling up both dataset and model size. To achieve this, combining data across multiple subjects is crucial. However, in sEEG cohorts, each subject has a variable number of electrodes placed at distinct locations in their brain, solely based on clinical needs. Such heterogeneity in electrode number/placement poses a significant challenge for data integration, since there is no clear correspondence of the neural activity recorded at distinct sites between individuals. Here we introduce seegnificant: a training framework and architecture that can be used to decode behavior across subjects using sEEG data. We tokenize the neural activity within electrodes using convolutions and extract long-term temporal dependencies between tokens using self-attention in the time dimension. The 3D location of each electrode is then mixed with the tokens, followed by another self-attention in the electrode dimension to extract effective spatiotemporal neural representations. Subject-specific heads are then used for downstream decoding tasks. Using this approach, we construct a multi-subject model trained on the combined data from 21 subjects performing a behavioral task. We demonstrate that our model is able to decode the trial-wise response time of the subjects during the behavioral task solely from neural data. We also show that the neural representations learned by pretraining our model across individuals can be transferred in a few-shot manner to new subjects. This work introduces a scalable approach towards sEEG data integration for multi-subject model training, paving the way for cross-subject generalization for sEEG decoding.
• Abstract（参考訳）: ディープラーニングに基づく、立体脳波(sEEG)からのニューラルデコーディングは、データセットとモデルサイズの両方のスケールアップの恩恵を受けるだろう。 これを実現するためには、複数の分野にまたがるデータを組み合わせることが不可欠である。 しかし、sEEGコホートでは、各被験者は臨床ニーズのみに基づいて、脳内の異なる位置に配置される電極の数が異なる。 このような電極数/配置の不均一性は、個人間で異なる場所で記録された神経活動の明確な対応がないため、データ統合にとって重要な課題である。 ここでは、sEEGデータを使用して被験者間の振る舞いをデコードするために使用できるトレーニングフレームワークとアーキテクチャについて紹介する。 我々は、畳み込みを用いて電極内の神経活動をトークン化し、時間次元における自己注意を用いてトークン間の長期的時間的依存関係を抽出する。 次に、各電極の3次元位置をトークンと混合し、続いて電極次元における別の自己認識を行い、効果的な時空間神経表現を抽出する。 次に、主題固有のヘッドが下流のデコードタスクに使用される。 本手法を用いて,行動課題を実行する21名の被験者の複合データに基づいて学習した多目的モデルを構築した。 我々は,ニューラルネットワークのみを用いて,行動タスク中の被験者の試行的応答時間をデコードできることを実証した。 また、個人間でモデルを事前学習することで学習した神経表現が、新しい被験者に数ショットで伝達できることも示している。 この研究は、多目的モデルトレーニングのためのsEEGデータ統合へのスケーラブルなアプローチを導入し、sEEGデコーディングのためのクロスオブジェクト一般化の道を開く。

関連論文リスト

• Large Brain Model for Learning Generic Representations with Tremendous EEG Data in BCI [6.926908480247951]
  大型脳モデル(LaBraM)と呼ばれる脳波の統一基盤モデルを提案する。 LaBraMは、EEG信号をEEGチャネルパッチにセグメント化することで、データセット間の学習を可能にする。 次に、マスクされたEEGチャネルパッチの元のニューラルコードを予測することにより、ニューラルトランスフォーマーを事前訓練する。
  論文  参考訳（メタデータ） (2024-05-29T05:08:16Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Deep Learning for real-time neural decoding of grasp [0.0]
  本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。 提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
  論文  参考訳（メタデータ） (2023-11-02T08:26:29Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• 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)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• 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)
• Neural networks for classification of strokes in electrical impedance tomography on a 3D head model [0.0]
  我々は、出血性脳卒中と虚血性脳梗塞の分類のために、2つのニューラルネットワークアーキテクチャー、完全に接続されたアーキテクチャと畳み込みアーキテクチャーを使用します。 それらのネットワークは、合成電極測定の4万ドルのサンプルを持つデータセットで訓練されている。 次に、より複雑なストロークモデルを用いて、見えないEITデータのいくつかのデータセット上でネットワークをテストする。
  論文  参考訳（メタデータ） (2020-11-05T14:22:05Z)
• An Explainable Model for EEG Seizure Detection based on Connectivity Features [0.0]
  我々は、特定のデータウィンドウが発作に属しているか否かを検出するディープニューラルネットワークを学習することを提案する。 10個のサブウィンドウのシーケンスとしてデータを取り込み、注意、CNN、BiLstm、および完全に接続されたレイヤを用いて最適なディープラーニングモデルを設計することを目的としている。 私たちの最高のモデルアーキテクチャは、バランスの取れたMITBIHデータサブセットを使用して97.03%の精度を実現した。
  論文  参考訳（メタデータ） (2020-09-26T11:07:30Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。