論文の概要: ACAM-J-MARS: Multi-Atlas Riemannian Spectral Representations for Decoding Advanced Meditation States from fMRI
- arxiv url: http://arxiv.org/abs/2610.39171v1
- Date: Thu, 29 Oct 2026 02:00:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.445031
- Title: ACAM-J-MARS: Multi-Atlas Riemannian Spectral Representations for Decoding Advanced Meditation States from fMRI
- Title（参考訳）: ACAM-J-MARS:fMRIによる高度な鎮静状態の復号のためのマルチアトラスリーマン分光表現
- Abstract要約: fMRIデータからハナ型高度濃度吸収緩和(ACAM-J)状態の推測は困難である。
本稿では,複数のアトラスを用いて機能接続を計算するACAM-J-MARSを提案する。
- 参考スコア（独自算出の注目度）: 1.8205293871050265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring jhana-type advanced concentration absorption meditation (ACAM-J) states from fMRI data is challenging due to the spatially distributed nature of meditation-related effects, substantial inter-individual variability that can exceed within-subject state differences, and limited sample sizes. Conventional machine-learning approaches often formulate this problem as unimodal, Euclidean, atlas-based classification, thereby neglecting the non-Euclidean geometry of functional connectivity matrices and underrepresenting temporal information in functional magnetic resonance imaging (fMRI); these limitations can lead to suboptimal classification performance. We propose ACAM-J-MARS (\textbf{M}ulti-\textbf{A}tlas \textbf{R}iemannian \textbf{S}pectral representation), which computes functional connectivity using multiple atlases, represents symmetric positive definite (SPD) connectivity matrices on a Riemannian manifold, projects them into a log-Euclidean tangent space, and augments connectivity-derived features with low-frequency BOLD spectral energy to better resolve subtle state differences under heterogeneous variability. Evaluated on 204 segments from 22 practitioners, ACAM-J-MARS improves performance across multiple backbone models, achieving a balanced accuracy of 0.757 for early versus late ACAM-J classification and 0.545 for three-class classification, corresponding to a 10.8-point absolute improvement over the strongest baseline. These findings suggest that the proposed representation improves the decoding of advanced meditative brain states and may enable downstream applications such as closed-loop neurofeedback and real-time psychophysiological brain-computer interfaces.
- Abstract（参考訳）: fMRIデータからハナ型高度濃度吸収緩和状態(ACAM-J)を推定することは, 投薬関連効果の空間的分散性, 物体内状態差を超越できる個体間変動, サンプルサイズが限定的であることから, 困難である。
従来の機械学習手法では、この問題をユニモーダル(unimodal)、ユークリッド(Euclidean)、アトラス(atlas)に基づく分類として定式化し、従って機能的接続行列の非ユークリッド幾何学を無視し、機能的磁気共鳴画像(fMRI)における時間情報が不足している。
AAM-J-MARS (\textbf{M}ulti-\textbf{A}tlas \textbf{R}iemannian \textbf{S}pectral representation) は、複数のアトラスを用いて機能的接続を計算し、リーマン多様体上の対称正定値接続行列を表現し、それらを対数ユークリッド接空間に投影し、低周波BOLDスペクトルエネルギーで接続性に起因した特徴を増大させ、不均一変動の微妙な状態差を解消する。
AAM-J-MARSは、22人の実践者による204のセグメントで評価され、複数のバックボーンモデルのパフォーマンスを改善し、早期と後期のACAM-J分類では0.757、三級分類では0.545、最強のベースラインよりも10.8ポイントの絶対改善を達成している。
これらの結果から, 提案された表現は, 先進的な想想的脳状態の復号化を改善し, クローズループ神経フィードバックやリアルタイム心理生理学的脳-コンピュータインタフェースといった下流の応用を可能にする可能性が示唆された。
関連論文リスト
- Anchor-driven Multi-modal Multi-scale Expert Selection for Survival Prediction [88.75611734671661]
生存予測のためのアンカー駆動型マルチモーダル・マルチスケールエキスパート選択(AM$2$ES)フレームワークを提案する。
具体的には,Anchor-driven Multi-modal Fusion (AMF)モジュールについて述べる。
この整列したセマンティック空間に基づいて、階層的確率的選択プロセスを切り離すために階層的混合(H-MoE)選択モジュールを更に設計する。
論文 参考訳（メタデータ） (2026-10-06T03:32:37Z) - HyperAMS-Net: Adaptive Multi-Scale Spatial Hypergraph Network for Brain Disorder Classification [0.0]
HyperAMS-Netは、脳障害分類のためのディープラーニングフレームワークである。
適応的マルチスケール畳み込み、ハイパーグラフアテンション、空間チャネルアテンション、適応的特徴融合を統合している。
評価されたすべてのデータセットにまたがって最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-09-17T06:25:21Z) - Spatio-Temporal Mixture-of-Modality-Experts Diffusion for Quantitative DCE-MRI Synthesis from Incomplete MR Sequences [2.4827516038838064]
ST-MoMEは様々なサブセットから3次元DCEパラメータマップを合成する条件拡散フレームワークである。
3DパッチベースのトレーニングとSwinベースのバックボーンで、画像空間で直接拡散を行う。
正常化平均角誤差(NMSE)は,3つのDCEパラメータすべてで集計され,$v_p$および$v_e$での先行成績,$Kmathrmtrans$での競合成績,臨床的に重要な腫瘍領域における最小再構成誤差を達成している。
論文 参考訳（メタデータ） (2026-06-24T08:10:27Z) - A Dual Cross-Attention Graph Learning Framework For Multimodal MRI-Based Major Depressive Disorder Detection [0.0]
大うつ病 (Major depressive disorder, MDD) は、複雑な神経生物学的変化を伴い、単一の画像モダリティで完全に捉えられない精神障害である。
本稿では、構造MRI(sMRI)と静止状態機能MRI(rs-fMRI)の双方向相互作用を明示的にモデル化する、二重対向型マルチモーダル融合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-11T09:19:41Z) - Revisiting Global Token Mixing in Task-Dependent MRI Restoration: Insights from Minimal Gated CNN Baselines [43.505945728449774]
グローバルトークンミキシングはMRIの復元において一般的なモデル設計の選択肢となっている。
グローバルトークンミキシングは,各タスクにおいて,3つの代表的な設定で実際に有用かどうかを問う。
MRIの再生を高速化するために、最小限のアンロールゲート-CNNベースラインは、すでに非常に競争力がある。
制御された低パス劣化により、低周波k空間データがほとんど保存されている超解像の場合、局所ゲートモデルは競争力を維持する。
空間的ヘテロセダスティックノイズを発音する場合には,トークン混合モデルが最も高い総合的な性能が得られる。
論文 参考訳（メタデータ） (2026-03-02T04:57:52Z) - SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。
時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。
SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
論文 参考訳（メタデータ） (2026-01-19T07:42:45Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。
平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。
この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
論文 参考訳（メタデータ） (2025-08-09T08:06:01Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z)
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。