動的機能的連結性グラフ畳込みニューラルネットワークを用いた意識の皮質署名の予測【JST・京大機械翻訳】

Grigis, A.; Gomez, C.; Tasserie, J.; Ambroise, C.; Frouin, V.; Jarraya, B.; Uhrig, L.

プレプリント

J-GLOBAL ID：202202201563820993 整理番号：22P0234449

動的機能的連結性グラフ畳込みニューラルネットワークを用いた意識の皮質署名の予測【JST・京大機械翻訳】

Predicting Cortical Signatures of Consciousness using Dynamic Functional Connectivity Graph-Convolutional Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年05月06日プレプリントサーバーでの情報更新日： 2022年05月06日
JST資料番号： O7001B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

皮質活性記録からの意識レベル復号は神経科学における主要な課題である。クラスタリングアルゴリズムを用いて,静止状態機能的MRI(rsfMRI)データは脳の機能的構成に対応する「脳状態」と呼ばれるいくつかのクラスタに分割できることを証明した。ここでは,rsfMRIからの意識レベルにわたる機能的脳状態を予測するために,人工ニューラルネットワークに基づく自己教師付き機械学習法の使用を提案した。機能的連結性(FC)マトリックスは,与えられた時間で脳状態動的を反映する。FCトポロジーを考慮することが重要であるので,特定のグラフ畳込みニューラルネットワーク(gCNN),すなわち,脳NetCNNは覚醒および麻酔非ヒト霊長類における脳状態を予測すると考えられる。目標が擬似ラベルから成る訓練段階に留まる円度を避けるため,最近の自己監督技術を実行した。予測のための線形プローブを用いて,ネットワークは,実験設定に依存して,[0.655,0.759]に存在する最先端の方法と一致する予測精度を達成した。そのような表現の興味を提唱するために,遷移確率と脳状態を予測するために重要であることがわかった接続の集合を計算した。後者は意識レベルと直接リンクする。結果は,深層学習法が脳状態を予測するだけでなく,麻酔の監視と意識障害の診断のための潜在的臨床結果による意識の皮質シグネチャへの付加的洞察を提供することを示した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

中枢神経系 , 脳・神経系モデル , 生体計測

, , , , , ,

前のページに戻る