論文の概要: Differential Dynamic Causal Nets: Model Construction, Identification and Group Comparisons
- arxiv url: http://arxiv.org/abs/2601.21478v1
- Date: Thu, 29 Jan 2026 09:58:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.72016
- Title: Differential Dynamic Causal Nets: Model Construction, Identification and Group Comparisons
- Title（参考訳）: 微分力学因果ネット:モデル構築、同定、グループ比較
- Authors: Kang You, Gary Green, Jian Zhang,
- Abstract要約: 本稿では脳波(EEG)データから直接微分因果ネットワークを構築するための新しい手法を提案する。
提案するネットワークは、相互作用するニューロン集団の平均的な振る舞いを記述した条件付き結合ニューロン回路に基づいている。
興奮抑制性介在ニューロンの不均衡とてんかん発作前後のてんかん性脳接続の変化によるネットワーク機能障害の証拠を示す。
- 参考スコア（独自算出の注目度）: 7.711459588573238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pathophysiolpgical modelling of brain systems from microscale to macroscale remains difficult in group comparisons partly because of the infeasibility of modelling the interactions of thousands of neurons at the scales involved. Here, to address the challenge, we present a novel approach to construct differential causal networks directly from electroencephalogram (EEG) data. The proposed network is based on conditionally coupled neuronal circuits which describe the average behaviour of interacting neuron populations that contribute to observed EEG data. In the network, each node represents a parameterised local neural system while directed edges stand for node-wise connections with transmission parameters. The network is hierarchically structured in the sense that node and edge parameters are varying in subjects but follow a mixed-effects model. A novel evolutionary optimisation algorithm for parameter inference in the proposed method is developed using a loss function derived from Chen-Fliess expansions of stochastic differential equations. The method is demonstrated by application to the fitting of coupled Jansen-Rit local models. The performance of the proposed method is evaluated on both synthetic and real EEG data. In the real EEG data analysis, we track changes in the parameters that characterise dynamic causality within brains that demonstrate epileptic activity. We show evidence of network functional disruptions, due to imbalance of excitatory-inhibitory interneurons and altered epileptic brain connectivity, before and during seizure periods.
- Abstract（参考訳）: マイクロスケールからマクロスケールまでの脳系の病態生理学的モデリングは、関連する何千ものニューロンの相互作用をモデル化できないこともあって、グループ比較では難しいままである。
本稿では,脳波(EEG)データから直接微分因果ネットワークを構築するための新しい手法を提案する。
提案するネットワークは、脳波データに寄与する相互作用するニューロン集団の平均的な振る舞いを記述した条件結合ニューロン回路に基づいている。
ネットワークでは、各ノードはパラメータ化されたローカルニューラルネットワークを表現し、有向エッジは送信パラメータによるノードワイズ接続を表わす。
ネットワークは、ノードパラメータとエッジパラメータが被験者によって異なるが、混合効果モデルに従うという意味で階層的に構成されている。
確率微分方程式のChen-Fliess展開から導かれる損失関数を用いて,パラメータ推論のための新しい進化的最適化アルゴリズムを開発した。
この方法は結合したJansen-Rit局所モデルの適合性に適用することで実証される。
提案手法の性能は, 合成脳波データと実脳波データの両方で評価する。
実際の脳波データ分析では、てんかん活動を示す脳内の動的因果関係を特徴付けるパラメータの変化を追跡する。
興奮抑制性介在ニューロンの不均衡とてんかん発作前後のてんかん性脳接続の変化によるネットワーク機能障害の証拠を示す。
関連論文リスト
- Neuronal Group Communication for Efficient Neural representation [85.36421257648294]
本稿では, 効率的な, モジュラー, 解釈可能な表現を学習する, 大規模ニューラルシステムの構築方法に関する問題に対処する。
本稿では、ニューラルネットワークを相互作用する神経群の動的システムとして再認識する理論駆動型フレームワークである神経グループ通信(NGC)を提案する。
NGCは、重みを埋め込みのようなニューロン状態間の過渡的な相互作用として扱い、神経計算はニューロン群間の反復的なコミュニケーションを通じて展開する。
論文 参考訳（メタデータ） (2025-10-19T14:23:35Z) - Self-Supervised Discovery of Neural Circuits in Spatially Patterned Neural Responses with Graph Neural Networks [0.0]
神経集団活動からシナプス接続を推定することは、計算神経科学の基本的な課題である。
本稿では,ニューロンをグラフ内の相互作用ノードとしてモデル化することにより,同時に神経活動を予測するグラフベースニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2025-09-21T17:46:43Z) - InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models [0.0]
本研究では、ニューラルネットワークをベースとしたデータ駆動型フレームワークであるinVAErtネットワークを用いて、剛体力学系のディジタル双対解析を強化する。
InVAErtネットワークの柔軟性と有効性について,合成データから欠落成分を含む実データへの6成分ループ型パラメータ血行動態モデルの生理的逆転の文脈で示す。
論文 参考訳（メタデータ） (2024-08-15T17:07:40Z) - Deep Jansen-Rit Parameter Inference for Model-Driven Analysis of Brain Activity [0.0]
本研究では3つのディープラーニングアーキテクチャを用いて、シミュレーションされた脳波データから効率的な接続性(EC)パラメータを推定する。
シナプスゲインや時間定数などの重要な局所パラメータの信頼性を実証する。
本研究は, 学習可能なJR-NMMパラメータのサブセットを推定する深層学習手法の実現可能性を示す。
論文 参考訳（メタデータ） (2024-06-07T15:16:46Z) - 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) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Decision SincNet: Neurocognitive models of decision making that predict
cognitive processes from neural signals [0.0]
我々は、脳波信号を用いてDrift-Diffusionモデルに適合するように、SincNetベースの浅層ニューラルネットワークアーキテクチャを適用した。
ドリフトとバウンダリの単回評価は、トレーニングおよびテストデータセットの中央値推定よりもRTの予測に優れていた。
論文 参考訳（メタデータ） (2022-08-04T18:51:29Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - Identification of brain states, transitions, and communities using
functional MRI [0.5872014229110214]
ベイズモデルに基づく潜在脳状態のキャラクタリゼーションを提案し,後方予測の不一致に基づく新しい手法を提案する。
タスク-fMRIデータの解析により得られた結果は、外部タスク要求と脳状態間の変化点の間の適切な遅延を示す。
論文 参考訳（メタデータ） (2021-01-26T08:10:00Z) - 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。