文献

J-GLOBAL ID：202202255596877127   整理番号：22A1019904

皮質振動動力学に関するファジィ学習によるニューラル多様体からのディジタル視覚刺激の復号化【JST・京大機械翻訳】

Decoding Digital Visual Stimulation From Neural Manifold With Fuzzy Leaning on Cortical Oscillatory Dynamics

著者 (6件)： Yu Haitao (School of Electrical and Information Engineering, Tianjin University, Tianjin, China) ,  Zhao Quanfa (School of Electrical and Information Engineering, Tianjin University, Tianjin, China) ,  Li Shanshan (School of Electrical and Information Engineering, Tianjin University, Tianjin, China) ,  Li Kai (School of Electrical and Information Engineering, Tianjin University, Tianjin, China) ,  Liu Chen (School of Electrical and Information Engineering, Tianjin University, Tianjin, China) ,  Wang Jiang (School of Electrical and Information Engineering, Tianjin University, Tianjin, China)
資料名： Frontiers in Computational Neuroscience (Web)  (Frontiers in Computational Neuroscience (Web))
巻： 16  ページ： 852281  発行年： 2022年 
JST資料番号： U7036A  ISSN： 1662-5188  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 神経科学における重要な点は,運動制御と神経リハビリテーションのための脳力学から認知情報をいかに正しく解読するかである。しかし,脳波(EEG)記録の不安定性と高次元のため,元のデータから情報を直接得ることは困難である。したがって,本研究では,視覚実験を設計し,重要な視覚情報を見つけるための皮質活動の神経多様体に基づく新しい復号化法を提案した。最初に,EEGから分割された4つの主要周波数帯を研究し,視覚刺激に対する前頭葉および後頭葉におけるEEGアルファバンド(8~15Hz)の応答が,顕著な場所を占めることを見出した。さらに,アルファバンドにおけるEEGデータの本質的特徴を,2つの多様体学習法によってさらにマイニングした。t分布ランダム隣接埋め込み(t-SNE)マップにおける時間的に連続した脳状態を試行ごとのレベルで接続し,脳状態動力学を見出し,異なるループを形成する異なるタスクで,周期的多様体を形成する。一方,t-SNEによって推定した脳活動の潜在因子は,より正確な復号化のために使用でき,安定した神経多様体を見つけることができることを証明した。独立入力として多様体の潜在因子を取り上げて,ファジィシステムベースのTakagi-Sugeno-Kangモデルを確立し,さらに,視覚EEG信号を同定するために訓練した。t-SNEとファジィ学習の組合せは,視覚認知復号化の精度を81.98%に高く改善できる。さらに,特徴を最適化することによって,前頭葉,頭頂葉および後頭葉の組合せが,83.05%の精度で視覚復号化のための最も効果的な因子であることが分かった。本研究は,特に脳-コンピュータインタフェイス(BCI)制御,脳機能研究,および神経リハビリテーションに寄与する低次元多様体動力学の助けを借りて,視覚EEG信号を解読するための潜在的ツールを提供する。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *視覚 ,  *振動 ,  *多様体 ,  脳波 ,  脳 ,  *復号化 ,  *皮質 ,  視認 ,  *生体刺激 ,  前頭葉 ,  神経科学 ,  周波数帯 ,  機械学習
準シソーラス用語： *視覚刺激 ,  脳活動 , 【Automatic Indexing@JST】

著者キーワード (5件)： 神経多様体 ,  視覚刺激 ,  脳動態 ,  復号化 ,  機械学習

分類 (2件)： 中枢神経系  (EJ12030F) ,  生体計測  (EL03020C)

引用文献 (37件)：

• Adebimpe A., Aarabi A., Bourel-Ponchel E., Mahmoudzadeh M., Wallois F. (2016). EEG resting state functional connectivity analysis in children with benign epilepsy with centrotemporal spikes. Front. Neurosci. 10, 143. doi: 10.3389/fnins.2016.00143
• Arieli A., Sterkin A., Grinvald A., Aertsen A. (1996). Dynamics of ongoing activity: explanation of the large variability in evoked cortical responses. Science 273, 1868-1871. doi: 10.1126/science.273.5283.1868
• Azeem M. F., Hanmandlu M., Ahmad N. (2000). Generalization of adaptive neuro-fuzzy inference systems. IEEE Trans. Neural Netw. 11, 1332-1346. doi: 10.1109/72.883438
• Bezdek J. C., Ehrlich R., Full W. (1984). FCM: the fuzzy c-means clustering algorithm. Comput. Geosci. 10, 191-203. doi: 10.1016/0098-3004(84)90020-7
• Cunningham J. P., Byron M. Y. (2014). Dimensionality reduction for large-scale neural recordings. Nat. Neurosci. 17, 1500-1509. doi: 10.1038/nn.3776

タイトルに関連する用語 (8件)： 皮質 ,  動力学 ,  ファジィ ,  学習 ,  多様体 ,  ディジタル ,  視覚刺激 ,  復号化