Automatic analysis of brain imaging

Automatic analysis of brain imaging data is an important topic in
both neuroscience and brain computer interface (BCI) technology.
In many cases, the task is to find the spatiotemporal neural signature
of a task, by performing classification on cortical activations
evoked by different stimuli [1, 2]. Common brian imaging techniques
are Electroencephalography (EEG) and Magnetoencephalography
(MEG). In particular, MEG measures the magnetic fields produced
by electrical activity in the brain via extremely sensitive sensors
distributed across the scalp. These measurements are highdimensional
spatiotemporal data. For instance, in our experiments,
we use a recumbent Elekta MEG scanner with 306 sensors to record
the brain activity for 1100 milliseconds. Furthermore, the measurements
are degraded by various types of noise (e.g., sensor noise,
ambient magnetic field noise, etc.) and the overall noise is difficult
to model (potentially non-Gaussian). The high-dimensionality and
noise limit both the speed and accuracy of the signal analysis, that
may result in unreliable signature modeling for classification. The
high-dimensionality of these signals also increases the complexity of
the classifier. Combination of a complex classifier and availability of
few data samples (due to time, cost, or study limitations) can easily
lead to an overfit model. Thus, for a reliable study of brain imaging
data, there is a need for a robust dimensionality reduction method
that ensures inclusion of task-related information in the transformation
process.

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์สมองถ่ายภาพข้อมูลอัตโนมัติเป็นหัวข้อสำคัญในประสาทและสมองอินเตอร์เฟซ (BCI) เทคโนโลยีคอมพิวเตอร์ในหลายกรณี งานจะค้นหาลายเซ็นประสาท spatiotemporalของงาน การจัดหมวดหมู่บนการเปิดใช้งานในคอร์เทกซ์evoked โดยสิ่งเร้าที่แตกต่างกัน [1, 2] เทคนิคการถ่ายภาพของไบรอันทั่วไปคือว่า (EEG) และ Magnetoencephalography(MEG) โดยเฉพาะ วัดสนามแม่เหล็กที่ผลิต MEGโดยกิจกรรมไฟฟ้าในสมองผ่านทางเซ็นเซอร์ที่มีความสำคัญมากกระจายทั่วทั้งหนังศีรษะ วัดเหล่านี้มี highdimensionalข้อมูล spatiotemporal เช่น ในการทดลองของเราเราใช้สแกนเนอร์ Elekta MEG ขี้เกียจ มีเซ็นเซอร์ 306 เพื่อบันทึกกิจกรรมสมองสำหรับ 1100 มิลลิวินาที นอกจากนี้ การวัดจะสลายตัว โดยเสียง (เช่น เสียงเซนเซอร์ ชนิดต่าง ๆสนามแม่เหล็กล้อมรอบเสียง ฯลฯ) และเสียงโดยรวมเป็นเรื่องยากรูปแบบ (อาจไม่ใช่นที่) มิติสูง และเสียงจำกัดทั้งความเร็วและความแม่นยำของการวิเคราะห์สัญญาณ ที่อาจส่งผลในการสร้างโมเดลการจัดลายเซ็นที่ไม่น่าเชื่อถือ การมิติสูงของสัญญาณเหล่านี้ยังเพิ่มความซับซ้อนของลักษณนาม ลักษณนามที่ซับซ้อนและความพร้อมของเพียงบางตัวอย่างข้อมูล (เนื่องจากเวลา ต้นทุน หรือศึกษาข้อจำกัด) ได้นำไปสู่แบบจำลอง overfit ดังนั้น สำหรับการศึกษาที่เชื่อถือได้การสร้างภาพในสมองข้อมูล มีความจำเป็นสำหรับวิธีการลดมิติแข็งแกร่งซึ่งทำให้การรวมข้อมูลที่เกี่ยวข้องกับงานในการเปลี่ยนแปลงกระบวนการ

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ข้อมูลอัตโนมัติของข้อมูลถ่ายภาพสมองเป็นหัวข้อสำคัญใน
เทคโนโลยีทั้งระบบประสาทและสมองอินเตอร์เฟซคอมพิวเตอร์ (BCI).
ในหลายกรณีงานคือการหาลายเซ็นประสาท spatiotemporal
ของงานโดยการดำเนินการจัดหมวดหมู่ในการเปิดใช้งานเยื่อหุ้มสมอง
ปรากฏโดยสิ่งเร้าที่แตกต่างกัน [ 1, 2] เทคนิคการถ่ายภาพไบรอันที่พบบ่อย
มี Electroencephalography (EEG) และ magnetoencephalography
(MEG) โดยเฉพาะอย่างยิ่ง MEG วัดสนามแม่เหล็กที่ผลิต
โดยกิจกรรมไฟฟ้าในสมองผ่านเซ็นเซอร์ความสำคัญมาก
กระจายทั่วหนังศีรษะ วัดเหล่านี้เป็น highdimensional
ข้อมูล spatiotemporal ยกตัวอย่างเช่นในการทดลองของเรา
เราใช้เครื่องสแกน Elekta MEG ขี้เกียจกับ 306 เซ็นเซอร์ในการบันทึก
การทำงานของสมอง 1100 มิลลิวินาที นอกจากนี้วัด
จะสลายตัวโดยประเภทต่างๆของเสียง (เช่นเสียงเซ็นเซอร์
รอบเสียงรบกวนสนามแม่เหล็ก, ฯลฯ ) และเสียงโดยรวมเป็นเรื่องยาก
ที่จะรูปแบบ (อาจไม่ใช่เสียน) สูงมิติและ
ขีด จำกัด สัญญาณรบกวนทั้งความเร็วและความแม่นยำในการวิเคราะห์สัญญาณที่
อาจส่งผลในการสร้างแบบจำลองลายเซ็นที่ไม่น่าเชื่อถือสำหรับการจำแนกประเภท
สูงมิติของสัญญาณเหล่านี้ยังเพิ่มความซับซ้อนของ
ลักษณนาม การรวมกันของลักษณนามที่ซับซ้อนและความพร้อมของ
กลุ่มตัวอย่างข้อมูลน้อย (เนื่องจากเวลาค่าใช้จ่ายหรือการศึกษาข้อ จำกัด ) สามารถ
นำไปสู่รูปแบบการ overfit ดังนั้นสำหรับการศึกษาความน่าเชื่อถือของการถ่ายภาพสมองของ
ข้อมูลที่มีความจำเป็นสำหรับวิธีการลดมิติที่มีประสิทธิภาพ
ที่ช่วยให้การรวมของข้อมูลที่เกี่ยวข้องกับงานในการเปลี่ยนแปลง
กระบวนการ

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์โดยอัตโนมัติของข้อมูลการถ่ายภาพสมองเป็นสิ่งที่สำคัญอย่างหนึ่งในทั้งประสาทและสมองอินเตอร์เฟซคอมพิวเตอร์ ( BCI ) เทคโนโลยีในหลายกรณี งานหาลายเซ็น spatiotemporal ประสาทของงาน โดยแสดงการจำแนก - กิจกรรมที่เกิดจากการแตกต่างกันเล็กน้อย [ 1 , 2 ] เทคนิคการถ่ายภาพทั่วไป ไบรอันมีการบันทึกคลื่นไฟฟ้าสมอง ( EEG ) และ magnetoencephalography( ขา ) โดยเฉพาะอย่างยิ่ง เม็ก วัดสนามแม่เหล็กที่ผลิตโดยกิจกรรมไฟฟ้าในสมองผ่านเซ็นเซอร์ บอบบางมากกระจายทั่วหนังศีรษะ วัดเหล่านี้เป็น highdimensionalข้อมูล spatiotemporal . ตัวอย่างในการทดลองของเราเราใช้บริษัทสแกนเนอร์กับ 306 เม็กขี้เกียจเซ็นเซอร์เพื่อบันทึกกิจกรรมสมองสำหรับ 1 , 100 มิลลิวินาที นอกจากนี้ การวัดเป็นแป้งชนิดต่าง ๆเช่น เซ็นเซอร์เสียง , เสียงเสียงสนามแม่เหล็กรอบ ฯลฯ ) และเสียงโดยรวมได้ยากรูปแบบ ( อาจไม่ ) ) dimensionality สูงและจำกัดเสียงทั้งความเร็วและความถูกต้องของการวิเคราะห์สัญญาณนั้นอาจส่งผลในการสร้างแบบจำลองลายเซ็นที่ไม่น่าเชื่อถือสำหรับการจำแนกประเภท ที่dimensionality สูงของสัญญาณเหล่านี้ยังเพิ่มความซับซ้อนของมีลักษณนาม การรวมกันของขนาดและความพร้อมของซับซ้อนตัวอย่างข้อมูลน้อย ( เนื่องจากเวลา ต้นทุน หรือ ศึกษาข้อจำกัด ) สามารถนำไปสู่ overfit นางแบบ ดังนั้น เพื่อศึกษาความน่าเชื่อถือของการถ่ายภาพสมองข้อมูลต้องมีเสถียรภาพ dimensionality วิธีลดเพื่อรวมงานที่เกี่ยวข้องในการเปลี่ยนแปลงข้อมูลกระบวนการ