論文の概要: Multi-Sensory Cognitive Computing for Learning Population-level Brain Connectivity
- arxiv url: http://arxiv.org/abs/2508.11436v1
- Date: Fri, 15 Aug 2025 12:38:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-18 14:51:23.95068
- Title: Multi-Sensory Cognitive Computing for Learning Population-level Brain Connectivity
- Title（参考訳）: 集団レベルの脳結合性学習のための多感覚認知コンピューティング
- Authors: Mayssa Soussia, Mohamed Ali Mahjoub, Islem Rekik,
- Abstract要約: mCOCOはBOLD信号から集団レベルの機能的CBTを学習する新しいフレームワークである。
RCの動的システム特性は、時間とともに状態の変化を追跡し、解釈可能性を高め、脳に似たダイナミクスのモデリングを可能にする。
筆者らのmCOCOフレームワークは,(1)BOLD信号を貯水池にマッピングし,個々の機能的コネクトームを導出し,グループレベルのCBTに集約する。
- 参考スコア（独自算出の注目度）: 8.588898349347149
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The generation of connectional brain templates (CBTs) has recently garnered significant attention for its potential to identify unique connectivity patterns shared across individuals. However, existing methods for CBT learning such as conventional machine learning and graph neural networks (GNNs) are hindered by several limitations. These include: (i) poor interpretability due to their black-box nature, (ii) high computational cost, and (iii) an exclusive focus on structure and topology, overlooking the cognitive capacity of the generated CBT. To address these challenges, we introduce mCOCO (multi-sensory COgnitive COmputing), a novel framework that leverages Reservoir Computing (RC) to learn population-level functional CBT from BOLD (Blood-Oxygen-level-Dependent) signals. RC's dynamic system properties allow for tracking state changes over time, enhancing interpretability and enabling the modeling of brain-like dynamics, as demonstrated in prior literature. By integrating multi-sensory inputs (e.g., text, audio, and visual data), mCOCO captures not only structure and topology but also how brain regions process information and adapt to cognitive tasks such as sensory processing, all in a computationally efficient manner. Our mCOCO framework consists of two phases: (1) mapping BOLD signals into the reservoir to derive individual functional connectomes, which are then aggregated into a group-level CBT - an approach, to the best of our knowledge, not previously explored in functional connectivity studies - and (2) incorporating multi-sensory inputs through a cognitive reservoir, endowing the CBT with cognitive traits. Extensive evaluations show that our mCOCO-based template significantly outperforms GNN-based CBT in terms of centeredness, discriminativeness, topological soundness, and multi-sensory memory retention. Our source code is available at https://github.com/basiralab/mCOCO.
- Abstract（参考訳）: 接続脳テンプレート(CBT)の生成は、個人間で共有されるユニークな接続パターンを識別する可能性について、最近大きな注目を集めている。
しかし、従来の機械学習やグラフニューラルネットワーク(GNN)のような既存のCBT学習の方法は、いくつかの制限によって妨げられている。
以下を含む。
一 ブラックボックスの性質上、解釈性が悪いこと。
(ii)高い計算コスト、及び
第三に、生成されたCBTの認知能力を見越して、構造とトポロジーを排他的に重視すること。
これらの課題に対処するため, BOLD (Blood-Oxygen-level-Dependent) 信号から人口レベルの機能的 CBT を学習するための新しいフレームワークである mCOCO (multi-sensory COgnitive Computing) を導入する。
RCの動的システム特性は、以前の文献で示されているように、時間とともに状態の変化を追跡し、解釈可能性を高め、脳に似たダイナミクスのモデリングを可能にする。
マルチ感覚入力(テキスト、オーディオ、視覚データなど)を統合することで、mCOCOは構造やトポロジーだけでなく、脳の領域が情報をどのように処理し、知覚処理などの認知タスクに適応するかを計算的に効率的に把握する。
筆者らのmCOCOフレームワークは,(1) BOLD信号を貯水池にマッピングして個々の機能的コネクトームを抽出し,グループレベルのCBTに集約する。
集中度, 識別性, トポロジカル・サウンドネス, 多感性記憶保持率の観点から, MCOCO ベースのテンプレートはGNN ベースの CBT よりも有意に優れていた。
ソースコードはhttps://github.com/basiralab/mCOCO.comで公開されています。
関連論文リスト
- Neuro-Informed Joint Learning Enhances Cognitive Workload Decoding in Portable BCIs [9.198002030833328]
ミューズヘッドバンドは、日常的な脳-コンピュータインターフェースアプリケーションに前例のないモビリティを提供する。
携帯型脳波信号の非定常性はデータの忠実度と復号精度を制約する。
自己指導と教師付きトレーニングパラダイムを統合した統合型共同学習フレームワークであるMuseCogNetを提案する。
論文 参考訳（メタデータ） (2025-06-30T01:42:31Z) - CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。
CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。
これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
論文 参考訳（メタデータ） (2025-06-29T03:29:34Z) - MBrain: A Multi-channel Self-Supervised Learning Framework for Brain
Signals [7.682832730967219]
本稿では,SEEGデータとEEGデータのいずれかを事前学習できる脳信号の自己教師型学習フレームワークについて検討する。
そこで我々は,異なるチャネル間の空間的および時間的相関を暗黙的に学習するために,MBrainを提案する。
我々のモデルは、最先端のSSLおよび教師なしモデルよりも優れており、臨床に展開する能力を持っている。
論文 参考訳（メタデータ） (2023-06-15T09:14:26Z) - Language Knowledge-Assisted Representation Learning for Skeleton-Based
Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。
LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-21T08:29:16Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。
本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。
我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文 参考訳（メタデータ） (2022-12-29T10:46:40Z) - Deep Cross-Modality and Resolution Graph Integration for Universal Brain
Connectivity Mapping and Augmentation [0.0]
コネクショナル脳テンプレート(コネクショナル脳テンプレート、CBT)は、与えられた脳コネクトームの個体全体の共有形質をキャプチャする。
本稿では、与えられたコネクトロミック人口をよく中心のCBTにマッピングする、最初のマルチモーダルマルチレゾリューショングラフ統合フレームワークを提案する。
提案手法は, 復元品質, 拡張タスク, 中心性, トポロジカルな音質のベンチマークを著しく上回っている。
論文 参考訳（メタデータ） (2022-09-13T14:04:12Z) - CogNGen: Constructing the Kernel of a Hyperdimensional Predictive
Processing Cognitive Architecture [79.07468367923619]
神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。
我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
論文 参考訳（メタデータ） (2022-03-31T04:44:28Z) - CogAlign: Learning to Align Textual Neural Representations to Cognitive
Language Processing Signals [60.921888445317705]
自然言語処理モデルに認知言語処理信号を統合するためのCogAlignアプローチを提案する。
我々は、CogAlignが、パブリックデータセット上の最先端モデルよりも、複数の認知機能で大幅な改善を実現していることを示す。
論文 参考訳（メタデータ） (2021-06-10T07:10:25Z) - 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) - Siamese Neural Networks for EEG-based Brain-computer Interfaces [18.472950822801362]
我々は,シームズニューラルネットワークに基づく新しい脳波処理と特徴抽出パラダイムを提案する。
Siameseアーキテクチャは畳み込みニューラルネットワーク(CNN)に基づいて開発され、2つの入力の類似性に基づいたバイナリ出力を提供する。
このアーキテクチャの有効性は、Brain-Computer Interfaces (BCI) Competition IV-2aの4クラスのMotor Imageryデータセットで評価される。
論文 参考訳（メタデータ） (2020-02-03T17:31:39Z)
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。