文献

J-GLOBAL ID：201802286605366206   整理番号：18A0196020

教師なし深層学習を用いた符号化多重解像度脳ネットワーク【Powered by NICT】

Encoding Multi-Resolution Brain Networks Using Unsupervised Deep Learning

著者 (5件)： Rahnama Arash ,  Alchihabi Abdullah ,  Gupta Vijay ,  Antsaklis Panos J. ,  Yarman Vural Fatos T.
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： BIBE  ページ： 75-80  発行年： 2017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： 本研究の主な目的は,多重時間分解能におけるセット脳ネットワークを抽出与えられた認知タスクのための解剖学的領域間の接続性パターンを解析することである。多重時間分解能におけるヒト脳の連結性パターンの自然なグループ分けを学習する深いアーキテクチャを提案する。多重解像度ネットワーク,その各々は認知タスクに対応する抽出が示唆されたアーキテクチャは,Human Connectome Project(HCP)の設定作業データで試験した。このアーキテクチャの第一レベルでは,fMRI信号ウェーブレット分解を用いた多重サブバンドに分解した。第二レベルでは,各サブバンドに対して,fMRI信号の短時間窓から抽出した脳ネットワークを推定した。第三レベルでは,著者らは,各時間分解能で各メッシュネットワークの隣接行列を教師なし深層学習アルゴリズム,すなわち,積層ノイズ除去オートエンコーダ(SDAE)。SDAEの出力は,fMRI信号の各サブバンドで各時間ウィンドウのためのコンパクトな接続性表現を提供する。各窓で全てのサブバンドの学習表現を連結と窓間の自然グループを見出すために階層的アルゴリズムによりそれらをクラスタ化した。各クラスタは93%Rand指数と71%の調整型Randインデクスの性能と認知タスクであることを観測した。平均値とクラスタ混合物の各成分でネットワークの精度を可視化した。クラスタ中心での平均脳ネットワークがどのように認知タスク間の変化を示し,各クラスタの精度はネットワークのクラスタ内の変動性を示し,被験者。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 雑音低減 ,  *学習 ,  *符号化 ,  計算機アーキテクチャ ,  *多重化 ,  クラスタ ,  連結性 ,  時間分解能 ,  *ネットワーク ,  クラスタ化
準シソーラス用語： サブバンド ,  機能的MRI ,  認知課題 ,  *多重解像度 ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 教師 ,  深層学習 ,  符号化 ,  多重解像度 ,  脳ネットワーク