論文の概要: Beyond Performance Scores: Directed Functional Connectivity as a Brain-Based Biomarker for Motor Skill Learning and Retention

• arxiv url: http://arxiv.org/abs/2502.14731v1
• Date: Thu, 20 Feb 2025 16:55:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 22:18:11.756742
• Title: Beyond Performance Scores: Directed Functional Connectivity as a Brain-Based Biomarker for Motor Skill Learning and Retention
• Title（参考訳）: パフォーマンススコアを超えて: 運動スキル学習と保持のための脳ベースのバイオマーカーとしての機能接続性
• Authors: Anil Kamat, Rahul Rahul, Lora Cavuoto, Harry Burke, Matthew Hackett, Jack Norfleet, Steven Schwaitzberg, Suvranu De,
• Abstract要約: 手術、ロボット工学、スポーツなどの分野でのモータースキル獲得には、広範なトレーニングを通じて複雑なタスクシーケンスを学習する必要がある。 実行時間やエラー率といった従来のパフォーマンス指標は、スキル学習と保持の基礎となる神経メカニズムを捕捉できないため、限られた洞察を提供する。 本研究は,脳波から誘導される指向性機能接続(dFC)を,運動能力の学習と保持を評価する新しい脳バイオマーカーとして紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motor skill acquisition in fields like surgery, robotics, and sports involves learning complex task sequences through extensive training. Traditional performance metrics, like execution time and error rates, offer limited insight as they fail to capture the neural mechanisms underlying skill learning and retention. This study introduces directed functional connectivity (dFC), derived from electroencephalography (EEG), as a novel brain-based biomarker for assessing motor skill learning and retention. For the first time, dFC is applied as a biomarker to map the stages of the Fitts and Posner motor learning model, offering new insights into the neural mechanisms underlying skill acquisition and retention. Unlike traditional measures, it captures both the strength and direction of neural information flow, providing a comprehensive understanding of neural adaptations across different learning stages. The analysis demonstrates that dFC can effectively identify and track the progression through various stages of the Fitts and Posner model. Furthermore, its stability over a six-week washout period highlights its utility in monitoring long-term retention. No significant changes in dFC were observed in a control group, confirming that the observed neural adaptations were specific to training and not due to external factors. By offering a granular view of the learning process at the group and individual levels, dFC facilitates the development of personalized, targeted training protocols aimed at enhancing outcomes in fields where precision and long-term retention are critical, such as surgical education. These findings underscore the value of dFC as a robust biomarker that complements traditional performance metrics, providing a deeper understanding of motor skill learning and retention.
• Abstract（参考訳）: 手術、ロボット工学、スポーツなどの分野でのモータースキル獲得には、広範なトレーニングを通じて複雑なタスクシーケンスを学習する必要がある。 実行時間やエラー率といった従来のパフォーマンス指標は、スキル学習と保持の基礎となる神経メカニズムを捕捉できないため、限られた洞察を提供する。 本研究は,脳波から誘導される指向性機能接続(dFC)を,運動能力の学習と保持を評価する新しい脳バイオマーカーとして紹介する。 初めて、dFCがバイオマーカーとして適用され、FittsとPosnerのモーター学習モデルのステージをマッピングし、スキル獲得と保持の基礎となる神経メカニズムに関する新たな洞察を提供する。 従来の測定方法とは異なり、神経情報の流れの強さと方向の両方を捉え、異なる学習段階にわたる神経適応の包括的理解を提供する。 この分析は、dFCがFitts and Posnerモデルの様々な段階を効果的に識別し、追跡できることを示している。 さらに、6週間の洗い出し期間における安定性は、長期維持監視の実用性を強調している。 対照群ではdFCの有意な変化は見られず, 神経適応は訓練に特有であり, 外部要因によるものではないことが確認された。 グループや個人レベルでの学習プロセスの詳細なビューを提供することにより、dFCは、外科教育など、正確性と長期維持が重要となる分野における成果の向上を目的とした、パーソナライズされた目標とするトレーニングプロトコルの開発を促進する。 これらの知見は、従来のパフォーマンス指標を補完する堅牢なバイオマーカーとしてのdFCの価値を強調し、運動スキル学習と保持の深い理解を提供する。

関連論文リスト

• Imaging-Derived Coronary Fractional Flow Reserve: Advances in Physics-Based, Machine-Learning, and Physics-Informed Methods [7.459890577132048]
  差分流量予備区(FFR)は、機械学習(ML)、ディープラーニング(DL)、そして高速でワイヤフリーでスケーラブルな冠動脈狭窄の機能評価を可能にする物理情報に基づくアプローチに向けて、従来の計算流体力学(CFD)ベースのパイプラインを超えて急速に進化している。 本稿では,近年のCTおよび血管造影に基づいたFFRの進歩を概説する。特に,新しい物理情報ニューラルネットワークとニューラルオペレータ(PINN,PINO)に着目し,臨床翻訳の要点について考察する。
  論文  参考訳（メタデータ） (2026-02-17T20:46:25Z)
• Pupillometry and Brain Dynamics for Cognitive Load in Working Memory [0.1631115063641726]
  本研究は,時系列分析の進歩に向けた特徴ベースおよびモデル駆動型アプローチを統合する。 The OpenNeuro 'Digit Span Task' データセットを用いて,脳波と瞳孔計測から認知負荷を分類する。 この結果から,瞳孔計測だけで脳波と競合し,現実の応用のためのポータブルで実用的なプロキシとして機能することが示唆された。
  論文  参考訳（メタデータ） (2026-02-11T08:05:47Z)
• General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。 本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。 この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
  論文  参考訳（メタデータ） (2026-01-29T15:08:48Z)
• Physics-Informed Neural Koopman Machine for Interpretable Longitudinal Personalized Alzheimer's Disease Forecasting [1.1464506855340777]
  アルツハイマー病(AD)の認知低下の早期予測は、疾患の評価と管理の中心である。 本稿では,動的システムとアテンション機構にインスパイアされた新しい機械学習アーキテクチャであるNeural Koopman Machine(NKM)を紹介する。 NKMは複数の認知スコアの変化を同時に予測し,(2)認知スコアの予測に対する差分バイオマーカーの寄与を定量化し,(3)認知の劣化を最も予測する脳領域を同定する。
  論文  参考訳（メタデータ） (2025-12-05T20:29:01Z)
• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• Early Detection of Cognitive Impairment in Elderly using a Passive FPVS-EEG BCI and Machine Learning -- Extended Version [1.3499500088995462]
  初期の認知症診断には、構造的および機能的脳の変化の両方に敏感なバイオマーカーが必要である。 現在の認知評価は、しばしば行動反応に依存しており、努力、実践効果、教育的背景といった要因に影響を受けやすい。 この研究は、脳波(EEG)データから直接認知障害レベルを推測するために、軽量畳み込みニューラルネットワーク(CNN)を活用する、新しいアプローチを導入している。
  論文  参考訳（メタデータ） (2025-04-15T08:34:13Z)
• Neuron-level Balance between Stability and Plasticity in Deep Reinforcement Learning [47.023972617451044]
  安定度と塑性度(NBSP)のニューロンレベルバランスについて検討する。 N BSPは特定のニューロンがタスク関連スキルに強く関係しているという観察から着想を得ている。 N BSPは、安定性と可塑性のバランスをとる既存のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2025-04-09T05:43:30Z)
• Meta-Representational Predictive Coding: Biomimetic Self-Supervised Learning [51.22185316175418]
  メタ表現予測符号化(MPC)と呼ばれる新しい予測符号化方式を提案する。 MPCは、並列ストリームにまたがる感覚入力の表現を予測することを学ぶことによって、感覚入力の生成モデルを学ぶ必要性を助長する。
  論文  参考訳（メタデータ） (2025-03-22T22:13:14Z)
• End-to-End Deep Learning for Real-Time Neuroimaging-Based Assessment of Bimanual Motor Skills [1.710146779965826]
  本研究では,fNIRS信号を直接処理する新しいエンドツーエンドディープラーニングフレームワークを提案する。 平均分類精度は93.9%(SD 4.4)、一般化精度は92.6%(SD 1.9)である。
  論文  参考訳（メタデータ） (2025-03-21T22:56:54Z)
• Dynamic directed functional connectivity as a neural biomarker for objective motor skill assessment [1.1993517339149389]
  本研究では,神経バイオマーカーとしての動的指向性機能接続(dFC)に基づく運動能力評価手法を提案する。 脳波(EEG)は脳のダイナミクスを捉え、注意に基づくLong Short-Term Memory(LSTM)モデルを用いて非線形グランガー因果解析を行う。 次に、畳み込みニューラルネットワーク(CNN)を使用してスキルレベルを分類し、腹腔鏡下手術で確立されたパフォーマンス指標よりも高い精度と特異性を達成する。
  論文  参考訳（メタデータ） (2025-02-19T01:51:39Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• 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)
• Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
  本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。 我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
  論文  参考訳（メタデータ） (2024-03-27T05:10:38Z)
• EEG-based Cognitive Load Classification using Feature Masked Autoencoding and Emotion Transfer Learning [13.404503606887715]
  脳波(EEG)を用いた認知負荷の新しい分類法を提案する。 感情関連脳波データセットの自己教師付きマスクによる自動エンコーディングを用いて、我々のモデルを事前学習する。 実験の結果,提案手法は従来の単段階完全教師付き学習よりも優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-08-01T02:59:19Z)
• Vision-based Estimation of Fatigue and Engagement in Cognitive Training Sessions [9.018775341716305]
  本研究では,リアルタイムな心的疲労をモニタリングするための新しいリカレントビデオトランス (RVT) 手法を開発し,検証する。 RVTモデルは最先端のバイナリモデルと比較して高いバランスの取れた精度(78%)と精度(0.82)を達成した。
  論文  参考訳（メタデータ） (2023-04-24T21:58:14Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• Modeling cognitive load as a self-supervised brain rate with electroencephalography and deep learning [2.741266294612776]
  本研究では,脳波データからメンタルワークロードをモデリングするための,新たな自己教師型手法を提案する。 脳波データからスペクトル地形図を空間的に保存して脳速度変数に適合させることができる畳み込みリカレントニューラルネットワークである。 学習した認知活性化の準安定なブロックの存在は、それらは畳み込みによって誘導され、時間とともに互いに依存していないように見えるため、脳反応の非定常的性質と直感的に一致している。
  論文  参考訳（メタデータ） (2022-09-21T07:44:21Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Evaluating the Robustness of Self-Supervised Learning in Medical Imaging [57.20012795524752]
  自己監督は、小さな注釈付きデータセット上でターゲットタスクを訓練する際の効果的な学習戦略であることを示した。 本研究では,自己監視学習によって訓練されたネットワークが,医療画像の文脈における完全監視学習と比較して,堅牢性と汎用性に優れていることを示した。
  論文  参考訳（メタデータ） (2021-05-14T17:49:52Z)

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。