文献

J-GLOBAL ID：201802247609587495   整理番号：18A1771237

予測分類精度を用いた動的機能接続性のモデル評価【JST・京大機械翻訳】

Evaluating Models of Dynamic Functional Connectivity Using Predictive Classification Accuracy

著者 (8件)： Nielsen SOren FOns Vind (Department of Applied Mathematics and Computer Science, Technical University of Denmark) ,  Levin-Schwartz Yuri (Department of CSEE, University of Maryland, Baltimore County, USA) ,  Vidaurre Diego (OHBA, Department of Psychiatry, University of Oxford, Welcome Centre for Integrative Neuroimaging, UK) ,  Adali Tulay (Department of CSEE, University of Maryland, Baltimore County, USA) ,  Calhoun Vince D. (The Mind Research Network, Albuquerque, USA) ,  Madsen Kristoffer H. (Department of Applied Mathematics and Computer Science, Technical University of Denmark) ,  Hansen Lars Kai (Department of Applied Mathematics and Computer Science, Technical University of Denmark) ,  Morup Morten (Department of Applied Mathematics and Computer Science, Technical University of Denmark)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ICASSP  ページ： 2566-2570  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 動的機能的連結性は,脳における領域間のマクロスケール統計的依存性の変化を追跡するための顕著なアプローチになった。しかし,脳状態と呼ばれるこれらの統計的依存性の効果的なパラメータ化は依然として未解決の問題である。著者らは,隠れMarkovモデルフレームワークにおける異なる放出モデルを研究し,各々は脳における動的変化についての一定の仮定を表現している。著者らは,再静止状態の機能的磁気共鳴画像データのグループ独立成分分析に基づいて,統合失調症患者と健常対照者の間をいかに良く識別できるかによって,各モデルを評価する。完全な共分散行列のない単純な放出モデルは,より多くのパラメータを持つモデルと同様の分類結果を達成できることを見出した。これは,バイオマーカーとして使用されるとき,より単純な動的特徴と比較して,動的機能的連結性の予測可能性に関する疑問を提起する。しかし,特性化と分類の間に区別があり,さらに研究されなければならないことを強調しなければならない。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *予測 ,  統合失調症 ,  患者 ,  キャラクタリゼーション ,  *連結性 ,  パラメタリゼーション ,  バイオマーカー ,  予測可能性 ,  隠れMarkovモデル ,  独立成分分析
準シソーラス用語： 共分散行列 ,  *分類精度 ,  マクロスケール ,  モデル評価 ,  動的変化 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 予測 ,  分類精度 ,  接続性 ,  モデル評価