論文の概要: DecNefLab: A Modular and Interpretable Simulation Framework for Decoded Neurofeedback
- arxiv url: http://arxiv.org/abs/2511.14555v1
- Date: Tue, 18 Nov 2025 14:58:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:53.168611
- Title: DecNefLab: A Modular and Interpretable Simulation Framework for Decoded Neurofeedback
- Title（参考訳）: DecNefLab:Decoded Neurofeedbackのためのモジュール的で解釈可能なシミュレーションフレームワーク
- Authors: Alexander Olza, Roberto Santana, David Soto,
- Abstract要約: Decoded Neurofeedback (DecNef) は、神経医学や認知神経科学に広く応用された、脳の調節に対する非侵襲的なアプローチである。
我々は、DecNefを機械学習問題として形式化するモジュラーで解釈可能なシミュレーションフレームワークであるDecNefLabを紹介する。
我々は,この手法がDecNef学習の実証的な現象を再現し,DecNefフィードバックが学習を誘導できない条件を特定し,より堅牢で信頼性の高いDecNefプロトコルの設計を人間による実装前に導く方法を示す。
- 参考スコア（独自算出の注目度）: 47.59240423350604
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Decoded Neurofeedback (DecNef) is a flourishing non-invasive approach to brain modulation with wide-ranging applications in neuromedicine and cognitive neuroscience. However, progress in DecNef research remains constrained by subject-dependent learning variability, reliance on indirect measures to quantify progress, and the high cost and time demands of experimentation. We present DecNefLab, a modular and interpretable simulation framework that formalizes DecNef as a machine learning problem. Beyond providing a virtual laboratory, DecNefLab enables researchers to model, analyze and understand neurofeedback dynamics. Using latent variable generative models as simulated participants, DecNefLab allows direct observation of internal cognitive states and systematic evaluation of how different protocol designs and subject characteristics influence learning. We demonstrate how this approach can (i) reproduce empirical phenomena of DecNef learning, (ii) identify conditions under which DecNef feedback fails to induce learning, and (iii) guide the design of more robust and reliable DecNef protocols in silico before human implementation. In summary, DecNefLab bridges computational modeling and cognitive neuroscience, offering a principled foundation for methodological innovation, robust protocol design, and ultimately, a deeper understanding of DecNef-based brain modulation.
- Abstract（参考訳）: Decoded Neurofeedback (DecNef) は、神経医学や認知神経科学に広く応用された、脳の調節に対する非侵襲的なアプローチである。
しかし、DecNef研究の進歩は、主題に依存した学習の多様性、進捗を定量化するための間接的な尺度への依存、実験のコストと時間的要求によって制約されている。
我々は、DecNefを機械学習問題として形式化するモジュラーで解釈可能なシミュレーションフレームワークであるDecNefLabを紹介する。
DecNefLabは仮想実験室を提供するだけでなく、研究者が神経フィードバックのダイナミクスをモデル化し、分析し、理解することを可能にする。
潜在変数生成モデルをシミュレーション参加者として使用することにより、DecNefLabは内部認知状態を直接観察し、異なるプロトコル設計と対象特性が学習に与える影響を体系的に評価することができる。
我々はこのアプローチがいかにしてできるかを実証する
(i)DecNef学習の実証的な現象を再現する。
2DecNefフィードバックが学習の誘導に失敗する条件を特定し、
三 より堅牢で信頼性の高いDecNefプロトコルを人為的な実装の前にシリコで設計する。
結論として、DecNefLabは計算モデリングと認知神経科学を橋渡しし、方法論的な革新、堅牢なプロトコル設計、そして最終的にはDecNefベースの脳変調のより深い理解の基盤を提供する。
関連論文リスト
- Foundation and Large-Scale AI Models in Neuroscience: A Comprehensive Review [5.853788810213108]
大規模人工知能(AI)モデルの出現は神経科学研究に変革をもたらす。
本稿では,5つの主要な神経科学領域に対する大規模AIモデルの変換効果について検討する。
論文 参考訳（メタデータ） (2025-10-18T22:45:59Z) - Spiking Neural Models for Decision-Making Tasks with Learning [0.29998889086656577]
本稿では,学習機構を組み込んだ意思決定のための生物学的に妥当なスパイキングニューラルネットワーク(SNN)モデルを提案する。
この研究は、生物学的に関連する神経機構を認知モデルに統合するための重要なステップを提供する。
論文 参考訳（メタデータ） (2025-06-10T09:19:40Z) - NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。
内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。
NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2025-06-05T01:01:18Z) - Machine Learning on Dynamic Functional Connectivity: Promise, Pitfalls, and Interpretations [7.013079422694949]
機能神経画像の深部モデル設計のための実証的ガイドラインの確立を目指す。
fMRIを用いた認知的タスク認識と疾患診断におけるSOTA(State-of-the-arts)のパフォーマンスはどのようなものか?
以上の課題に対処するため,様々な場面で総合的な評価と統計的分析を行った。
論文 参考訳（メタデータ） (2024-09-17T17:24:17Z) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳（メタデータ） (2024-04-30T10:53:30Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z) - Ranking of Communities in Multiplex Spatiotemporal Models of Brain
Dynamics [0.0]
隠れマルコフグラフモデル(HMs)と呼ぶ多重脳状態グラフモデルとして、ニューラルHMMの解釈を提案する。
この解釈により、ネットワーク分析技術の完全なレパートリーを使用して、動的脳活動を分析することができる。
ランダムウォークに基づく手法を用いて,脳領域の重要なコミュニティを決定するための新しいツールを開発した。
論文 参考訳（メタデータ） (2022-03-17T12:14:09Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - 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)
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。