論文の概要: A Deep Spatio-Temporal Architecture for Dynamic Effective Connectivity Network Analysis Based on Dynamic Causal Discovery
- arxiv url: http://arxiv.org/abs/2501.18859v1
- Date: Fri, 31 Jan 2025 02:39:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-03 14:01:25.618927
- Title: A Deep Spatio-Temporal Architecture for Dynamic Effective Connectivity Network Analysis Based on Dynamic Causal Discovery
- Title(参考訳): 動的因果探索に基づく動的有効接続性ネットワーク解析のための深部時空間構造
- Authors: Faming Xu, Yiding Wang, Chen Qiao, Gang Qu, Vince D. Calhoun, Julia M. Stephen, Tony W. Wilson, Yu-Ping Wang,
- Abstract要約: 本稿では,動的因果関係のモデル化に動的因果関係の深部を取り入れた動的因果関係の深部融合アーキテクチャと,その因果関係の検証を行う動的因果関係の深部復号器を提案する。
分析の結果, 若年者と小児のDECNの差が認められた。
この観察により、発達中のモジュラー化と適応ネットワークに関するさらなる証拠が得られ、若年層では高い認知能力が観察される。
- 参考スコア(独自算出の注目度): 16.65408500213276
- License:
- Abstract: Dynamic effective connectivity networks (dECNs) reveal the changing directed brain activity and the dynamic causal influences among brain regions, which facilitate the identification of individual differences and enhance the understanding of human brain. Although the existing causal discovery methods have shown promising results in effective connectivity network analysis, they often overlook the dynamics of causality, in addition to the incorporation of spatio-temporal information in brain activity data. To address these issues, we propose a deep spatio-temporal fusion architecture, which employs a dynamic causal deep encoder to incorporate spatio-temporal information into dynamic causality modeling, and a dynamic causal deep decoder to verify the discovered causality. The effectiveness of the proposed method is first illustrated with simulated data. Then, experimental results from Philadelphia Neurodevelopmental Cohort (PNC) demonstrate the superiority of the proposed method in inferring dECNs, which reveal the dynamic evolution of directed flow between brain regions. The analysis shows the difference of dECNs between young adults and children. Specifically, the directed brain functional networks transit from fluctuating undifferentiated systems to more stable specialized networks as one grows. This observation provides further evidence on the modularization and adaptation of brain networks during development, leading to higher cognitive abilities observed in young adults.
- Abstract(参考訳): 動的有効接続ネットワーク(DECN)は、脳領域における脳活動の変化と動的因果的影響を明らかにし、個人差の同定を促進し、人間の脳の理解を高める。
既存の因果探索法は、効果的な接続ネットワーク解析において有望な結果を示しているが、脳活動データに時空間情報を導入することに加えて、因果関係のダイナミクスを見落としていることが多い。
これらの問題に対処するため,動的因果深部エンコーダを用いて動的因果深部エンコーダを用いて動的因果深部エンコーダと動的因果深部デコーダを用いて因果深部エンコーダを提案する。
提案手法の有効性はまずシミュレーションデータを用いて説明される。
そして,フィラデルフィア神経発達コホート(PNC)による実験結果から,提案手法がdECNを推定する上で優位であることを示し,脳領域間の方向流の動的進化を明らかにした。
分析の結果, 若年者と小児のDECNの差が認められた。
具体的には、有向脳機能ネットワークは、変動する未分化のシステムから、成長するにつれてより安定した特殊ネットワークへと移行する。
この観察は、発達中の脳ネットワークのモジュール化と適応に関するさらなる証拠を提供する。
関連論文リスト
- Dynamic EEG-fMRI mapping: Revealing the relationship between brain connectivity and cognitive state [0.0]
本研究では,脳波とfMRIの動的接続パターンについて検討し,脳ネットワークの相互作用の理解に寄与した。
その結果,脳内結合ネットワーク(ICN)内のモジュール構造が明らかになり,感覚システムと既定モードネットワークの重要な役割が明らかになった。
論文 参考訳(メタデータ) (2024-11-29T18:36:58Z) - BrainMAE: A Region-aware Self-supervised Learning Framework for Brain Signals [11.030708270737964]
本稿では,fMRI時系列データから直接表現を学習するBrain Masked Auto-Encoder(BrainMAE)を提案する。
BrainMAEは、4つの異なる下流タスクにおいて、確立されたベースラインメソッドをかなりのマージンで一貫して上回っている。
論文 参考訳(メタデータ) (2024-06-24T19:16:24Z) - 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) - Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。
本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。
本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
論文 参考訳(メタデータ) (2024-04-22T09:40:07Z) - Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。
主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
論文 参考訳(メタデータ) (2023-09-27T15:41:12Z) - Dynamic Brain Transformer with Multi-level Attention for Functional
Brain Network Analysis [33.13374323540953]
ディープニューラルネットワークの出現は、臨床結果の予測に大きな関心を喚起している。
静的脳ネットワーク解析を含む従来のアプローチは、脳機能のダイナミズムを捉えるのに限られた可能性を秘めている。
本稿では、静的脳ネットワークと動的脳ネットワークを組み合わせて、より効果的でニュアンスの高い脳機能解析を行う新しい手法であるDynamic bRAin Transformer(DART)を提案する。
論文 参考訳(メタデータ) (2023-09-05T04:17:37Z) - Perturbing a Neural Network to Infer Effective Connectivity: Evidence
from Synthetic EEG Data [0.7829352305480285]
ニューラルネットワークをトレーニングして、過去のデータに基づいて将来の脳波信号を予測し、ネットワークの入力を摂動させ、効果的な接続性を得ました。
CNNとTransformerは3チャンネルと90チャンネルの合成脳波データで最高の性能を示し、古典的なグランガー因果性法よりも優れていた。
論文 参考訳(メタデータ) (2023-07-19T06:14:54Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳(メタデータ) (2022-05-06T03:45:36Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z)
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。