論文の概要: Machine learning approaches to uncover the neural mechanisms of motivated behaviour: from ADHD to individual differences in effort and reward sensitivity

• arxiv url: http://arxiv.org/abs/2604.15363v1
• Date: Mon, 13 Apr 2026 23:47:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.548247
• Title: Machine learning approaches to uncover the neural mechanisms of motivated behaviour: from ADHD to individual differences in effort and reward sensitivity
• Title（参考訳）: 機械学習による動機付け行動の神経メカニズムの解明--ADHDから個人差と報酬感度
• Authors: Nam Trinh,
• Abstract要約: 脳波(EEG)を用いたADHDの基礎となる神経機構の解明 ニューロイメージングを用いて、個々の労力と報酬感度の差を調べ、機械学習アプローチを適用した。 発見は、ADHDおよびモチベーション障害の診断精度を向上させる神経バイオマーカーとして機能する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motivated behaviour relies on the brain's capacity to evaluate effort and reward. Dysregulation within these processes contributes to a spectrum of conditions, from hyperactivity in attention-deficit/hyperactivity disorder (ADHD) to diminished goal-directed behaviour in apathy. This thesis investigates the neural mechanisms underlying ADHD using electroencephalography (EEG) and examines individual differences in effort and reward sensitivity using neuroimaging, applying machine learning approaches through three main studies. In Study 1, task-based and resting-state EEG were employed with machine learning models to classify adult individuals with ADHD and healthy controls. Machine learning classifiers trained on task-based EEG during a stop signal task outperformed those trained on resting-state EEG, with the strongest predictive features arising from gamma-band spectral power over fronto-central and parietal regions. In Study 2, diffusion MRI and whole-brain permutation-based analyses identified associations between white matter integrity and computationally modelled parameters reflecting effort and reward sensitivity, with SMA-connected tracts emerging as a central hub. In Study 3, grey matter volumes from structural T1-weighted MRI were used to examine correlates of effort sensitivity, reward sensitivity, and subclinical apathy, with machine learning confirming robust decoding of reward sensitivity and apathy levels. Across studies, fronto-parietal circuits emerged as central to effort valuation and reward processing. These findings may serve as neural biomarkers for improving diagnostic accuracy in ADHD and motivational impairments, and for guiding personalised neurotechnological interventions.
• Abstract（参考訳）: 動機付けられた行動は、努力と報酬を評価する脳の能力に依存する。 これらのプロセス内でのDysregulationは、注意欠陥/高活動障害(ADHD)の過活動から無関心における目標指向行動の減少まで、様々な条件に寄与する。 本論文は、脳波(EEG)を用いてADHDの基礎となる神経機構を解明し、神経イメージングを用いて活動と報酬の感度の個人差を調べ、3つの主要な研究を通して機械学習アプローチを適用した。 研究1では、ADHDと健康管理を備えた成人を分類するために、タスクベースと安静状態脳波を機械学習モデルで採用した。 停止信号タスク中にタスクベースの脳波でトレーニングされた機械学習分類器は、前頭葉領域と頭頂領域におけるガンマバンドスペクトルパワーから生じる最も強い予測的特徴で、安静状態脳波で訓練された者より優れていた。 研究2では、拡散MRIと全脳置換に基づく解析により、ホワイトマターの完全性と計算モデルによるパラメータの関係が、努力と報酬の感度を反映し、SMA連結トラクトが中心として出現した。 研究3では、構造的T1強調MRIの灰白質量を用いて、報酬感度、報酬感度、サブクリニカルアパシーの相関関係を調べた。 研究全体を通じて、前頭前頭葉回路は評価と報酬処理の中心として現れた。 これらの知見は、ADHDおよび動機づけ障害の診断精度を改善し、パーソナライズされた神経工学的介入を導くための神経バイオマーカーとして機能する。

関連論文リスト

• 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)
• A first realization of reinforcement learning-based closed-loop EEG-TMS [3.117893070437606]
  本稿では,機械学習に基づくクローズドループリアルタイムEEG-TMSセットアップの実現について紹介する。 我々は,高位と低位皮質脊髄興奮状態に関連付けられた個々のムラリズムの位相を,ユーザ非依存性に同定した。
  論文  参考訳（メタデータ） (2026-02-06T17:58:26Z)
• Machine Learning and AI Applied to fNIRS Data Reveals Novel Brain Activity Biomarkers in Stable Subclinical Multiple Sclerosis [1.5321607497807948]
  多発性硬化症(MS)の患者は,手指伸展障害と認知疲労を訴える。 機能近赤外分光法(FNIRS)は、脳の血行動態を測定する非侵襲的な神経イメージング技術である。 認知疲労の主観的報告を記述できる脳活動バイオマーカーの発見を目的とした。
  論文  参考訳（メタデータ） (2025-09-26T02:16:17Z)
• CAST-Phys: Contactless Affective States Through Physiological signals Database [74.28082880875368]
  感情的なマルチモーダルデータセットの欠如は、正確な感情認識システムを開発する上で、依然として大きなボトルネックとなっている。 遠隔の生理的感情認識が可能な新しい高品質なデータセットであるCAST-Physを提示する。 本分析では,表情だけでは十分な感情情報が得られない現実的なシナリオにおいて,生理的信号が重要な役割を担っていることを強調した。
  論文  参考訳（メタデータ） (2025-07-08T15:20:24Z)
• Adaptive Progressive Attention Graph Neural Network for EEG Emotion Recognition [22.357456729185962]
  適応進行注意グラフニューラルネットワーク(APAGNN)を提案する。 APAGNNは感情処理中の脳領域間の空間的関係を捉えている。 本手法は,脳波の感情認識性能を向上し,ベースライン法よりも優れた結果を得る。
  論文  参考訳（メタデータ） (2025-01-24T05:14:21Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• Functional Graph Contrastive Learning of Hyperscanning EEG Reveals Emotional Contagion Evoked by Stereotype-Based Stressors [1.8925617030516924]
  本研究では,女性ペア間の協調的問題解決作業におけるステレオタイプベースストレス(SBS)の文脈に焦点を当てた。 本研究は、感情伝染の解明を通じて、その基盤となるメカニズムと効果を明らかにすることを目的とする。
  論文  参考訳（メタデータ） (2023-08-22T09:04:14Z)
• Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
  我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
  論文  参考訳（メタデータ） (2023-06-15T16:22:57Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)

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。