非ロール最適化ニューラルネットワークによる拡張脳源推定【JST・京大機械翻訳】

Jiao, M.; Xian, X.; Ghacibeh, G.; Liu, F.

プレプリント

J-GLOBAL ID：202202219552057011 整理番号：22P0331072

非ロール最適化ニューラルネットワークによる拡張脳源推定【JST・京大機械翻訳】

Extended Brain Sources Estimation via Unrolled Optimization Neural Network

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 (4件)： , , ,
資料名：
発行年： 2023年04月15日プレプリントサーバーでの情報更新日： 2023年04月15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)

脳波記録(EEG)/磁気記録(MEG)ソースイメージングは,観察されたEEG/MEG記録を説明するために,根底にある活性化脳源の推定を追求することを目的とする。逆問題の不良な性質のため,EEG/MEGソースイメージング(ESI)の解決は,一意解を保証するために正則化または事前項の設計を必要とする。伝統的に,正則化項の設計は,ソース空間における時空間構造に関する予備的仮定に基づいている。本論文では,従来の反復アルゴリズムと比較して効率を改善するために,非圧延最適化ニューラルネットワーク(UONN)を用いてESI問題を解くための新しいパラダイムを提案した。(2)手作業正則化を使用する代わりにソース解構造をモデル化するためのデータ駆動方法を確立する。(3)データ駆動方式でハイパーパラメータを自動的に学習する。提案したフレームワークはニューラルネットワークモジュールによる反復最適化アルゴリズムのアンフォールディングに基づいている。提案した新しい学習フレームワークは,ESI問題を解くために非圧延最適化ニューラルネットワークを使用する最初のものである。新しく設計したフレームワークは,ソース範囲パターンを効果的に学習することができ,ベンチマークアルゴリズムと比較して大幅に改善された性能を達成した。【JST・京大機械翻訳】

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

生体計測

, , , , ,

前のページに戻る