論文の概要: Riemannian Geometry for the classification of brain states with intracortical brain-computer interfaces
- arxiv url: http://arxiv.org/abs/2504.05534v1
- Date: Mon, 07 Apr 2025 22:11:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-09 13:28:28.120124
- Title: Riemannian Geometry for the classification of brain states with intracortical brain-computer interfaces
- Title（参考訳）: 皮質内脳-コンピュータ界面を用いた脳状態の分類のためのリーマン幾何学
- Authors: Arnau Marin-Llobet, Arnau Manasanch, Sergio Sanchez-Manso, Lluc Tresserras, Xinhe Zhang, Yining Hua, Hao Zhao, Melody Torao-Angosto, Maria V Sanchez-Vives, Leonardo Dalla Porta,
- Abstract要約: 侵襲的電気生理学的記録を用いた新しい脳復号法を提案する。
本手法は,異なるチャネル構成に対して,F1マクロ平均スコアの優れた平均値を実現する。
幾何学的枠組みは、様々な脳状態にわたる脳領域の空間的寄与を明らかにしている。
- 参考スコア（独自算出の注目度）: 3.0026377736031846
- License:
- Abstract: This study investigates the application of Riemannian geometry-based methods for brain decoding using invasive electrophysiological recordings. Although previously employed in non-invasive, the utility of Riemannian geometry for invasive datasets, which are typically smaller and scarcer, remains less explored. Here, we propose a Minimum Distance to Mean (MDM) classifier using a Riemannian geometry approach based on covariance matrices extracted from intracortical Local Field Potential (LFP) recordings across various regions during different brain state dynamics. For benchmarking, we evaluated the performance of our approach against Convolutional Neural Networks (CNNs) and Euclidean MDM classifiers. Our results indicate that the Riemannian geometry-based classification not only achieves a superior mean F1 macro-averaged score across different channel configurations but also requires up to two orders of magnitude less computational training time. Additionally, the geometric framework reveals distinct spatial contributions of brain regions across varying brain states, suggesting a state-dependent organization that traditional time series-based methods often fail to capture. Our findings align with previous studies supporting the efficacy of geometry-based methods and extending their application to invasive brain recordings, highlighting their potential for broader clinical use, such as brain computer interface applications.
- Abstract（参考訳）: 本研究では, 侵襲的電気生理学的記録を用いたリーマン幾何学に基づく脳復号法の適用について検討した。
従来は非侵襲的であったが、侵略的データセットに対するリーマン幾何学の用途は、通常小さくて不足している。
本稿では,脳内局所電位(LFP)記録から抽出した共分散行列に基づくリーマン幾何学的アプローチを用いたMDM分類器を提案する。
ベンチマークでは、畳み込みニューラルネットワーク(CNN)とユークリッドMDM分類器に対するアプローチの性能を評価した。
その結果、リーマン幾何学に基づく分類は、異なるチャネル構成のF1マクロ平均スコアを達成できるだけでなく、最大2桁の計算訓練時間も必要であることがわかった。
さらに、幾何学的な枠組みは、様々な脳状態にまたがる脳領域の異なる空間的貢献を明らかにし、伝統的な時系列ベースの手法がしばしば捉えられない状態に依存した組織を示唆している。
本研究は, 従来, 幾何学的手法の有効性, 応用範囲を侵襲的脳記録に拡大する研究と一致し, 脳コンピュータインタフェースへの応用など, より広範な臨床応用の可能性を強調した。
関連論文リスト
- A singular Riemannian Geometry Approach to Deep Neural Networks III. Piecewise Differentiable Layers and Random Walks on $n$-dimensional Classes [49.32130498861987]
本稿ではReLUのような非微分可能活性化関数の事例について検討する。
最近の2つの研究は、ニューラルネットワークを研究するための幾何学的枠組みを導入した。
本稿では,画像の分類と熱力学問題に関する数値実験を行った。
論文 参考訳（メタデータ） (2024-04-09T08:11:46Z) - Towards Spatially-Lucid AI Classification in Non-Euclidean Space: An
Application for MxIF Oncology Data [3.0566763412020714]
異なる場所タイプの複数カテゴリの点集合が与えられた場合、我々のゴールは空間分解型分類器を開発することである。
この問題は、腫瘍と腫瘍の関係を解析し、新しい免疫療法を設計するために、腫瘍学などの多くの応用において重要である。
我々は、重み付き距離学習率や空間領域適応など、異なるトレーニング戦略を明示的に用いた空間アンサンブルフレームワークを探索する。
論文 参考訳（メタデータ） (2024-02-22T21:22:21Z) - TractGeoNet: A geometric deep learning framework for pointwise analysis
of tract microstructure to predict language assessment performance [66.43360974979386]
拡散磁気共鳴画像(dMRI)による回帰処理を行うための幾何学的深層学習フレームワークであるTractGeoNetを提案する。
回帰性能を向上させるために,新しい損失関数 Paired-Siamese Regression Los を提案する。
本手法の有効性を,2つの言語神経心理学的評価に対して予測することで評価した。
論文 参考訳（メタデータ） (2023-07-08T14:10:37Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳（メタデータ） (2023-04-15T09:39:52Z) - Adaptive Log-Euclidean Metrics for SPD Matrix Learning [73.12655932115881]
広く使われているログユークリッド計量(LEM)を拡張した適応ログユークリッド計量(ALEM)を提案する。
実験および理論的結果から,SPDニューラルネットワークの性能向上における提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-03-26T18:31:52Z) - White Matter Tracts are Point Clouds: Neuropsychological Score
Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。
各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。
Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文 参考訳（メタデータ） (2022-07-06T02:03:28Z) - Deep Learning the Shape of the Brain Connectome [6.165163123577484]
私たちは、ディープニューラルネットワークを使って脳の測地線を推定する方法を初めて示します。
提案手法は, 測地・白色・マター・パスのアライメントにおいて優れた性能を発揮する。
論文 参考訳（メタデータ） (2022-03-06T17:51:31Z) - Persistent Homological State-Space Estimation of Functional Human Brain Networks at Rest [15.272033502877413]
我々は、動的に変化する脳ネットワークの静止状態空間を推定する革新的なデータ駆動型トポロジカルデータ解析手法を導入する。
この手法は、脳ネットワークの状態空間を特定する際によく使われるk平均クラスタリングよりも優れている。
以上の結果から,脳ネットワークのトポロジ,特にその動的状態変化は,重要な隠れた遺伝情報を保持できる可能性が示唆された。
論文 参考訳（メタデータ） (2022-01-01T01:39:05Z) - A singular Riemannian geometry approach to Deep Neural Networks II.
Reconstruction of 1-D equivalence classes [78.120734120667]
入力空間における出力多様体内の点の事前像を構築する。
我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
論文 参考訳（メタデータ） (2021-12-17T11:47:45Z) - Predicting Future Cognitive Decline with Hyperbolic Stochastic Coding [0.7637291629898925]
ハイパーボリックコーディング(HSC)と呼ばれる新しいフレームワークを提案する。
予備実験の結果から,様々な分類タスクで優れた結果が得られることが示された。
私たちの仕事は、表面ベースの脳イメージング研究ツールを豊かにし、個々の治療戦略に役立つ診断および予後指標に潜在的に役立ちます。
論文 参考訳（メタデータ） (2021-02-21T04:07:27Z)
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。