אדריכלות רשת נילי עבור אותות המוח

מבוא

קביעת אותות המוח מהקלטות לא פולשניות או פולשניות היא אחת מהגבול השאפתני ביותר במדעי המוח המודרניים. Electroencephalography (EEG), מגנטיות (MEG), הדמיה מגנטית פונקציונלית (fMRI), ו- אלקטרוקורטיקווגרפיה (ECoG) מפיקה זרם גבוה, רועש, ולא-מתאים של נתונים עצביים, מ-FMRI), ו-Dicography (D) יש שיפור דרמטי של אינטליגנציה עצבית, על ידי המוח, על פני החידושים העצבניים (D) של אינטליגנציה קלינית, ואפקטיביים מתקדמים, ואפקטיביים, על פני אנליזה קלינית, ואפקטיביים של אינטליגנציה קלינית, יש השפעה של אינטליגנציה קלינית, על פני מחשביבית (C) של אינטליגנציה קלינית, ואפקטיתיתיתיתיתיתיתיתיתיתיתיתיתיתיתיתית) של אינטליגנציה קלינית, ואפקטית של מערכות אבחון עצבית, יש שיפור של אינטליגנציה קלינית, ואפקטיתית של אינטליגנציה קלינית, ואפקטיביים של אינטליגנציה קלינית, על ידי אינטליגנציה גבוהה, על פני אנליזה עמוקה, על ידי המוח, על ידי המוח (ECoG) של מערכות אבחון) של אינטליגנציה גבוהה, ואנטית של מערכות אבחון (C) של אינטליגנציה גבוהה,

אותות המוח מאופיינים על ידי יחסי אות נמוך ל-noise, עמידות בין-סובייקטיבית גבוהה, ודינמיקה ספירו-זמנית מורכבת של צינורות למידה מסורתיים נדרשים מיצוי תכונות נרחבות, כגון תצפיות ספקטרליות כוח או תבניות מרחביות נפוצות.מודלים למידה עמוקה, לעומת זאת, יכולים ללמוד היררכיות של תכונות רלוונטיות ישירות מפלטים זעירים או מינימליים של פעולות אלה, אפילו זיהוי דרך דרך דרך דרך ראייה, לאחר סיווג של התפתחותית, אשר עשוי, אשר עשוי, לאחר מכן.

רשת ניאל מסורתית מתקרבת

ניסיונות מוקדמים ליישם רשתות עצביות אותות המוח הנתמכות על ההרחבה:0 [multilayer perceptronsFLT:1 (MLPs) אלה רשתות הזנה המחוברות באופן מלא לקחת וקטור של תכונות - בדרך כלל מונדס מהאות הגולמי - וללמוד מיפוי לא-מתאים לאלגוריתמים הרצויים.

ראשית, MLP מתייחסת לתכונות קלט עצמאיות, תוך התעלמות מהטופולוגיה המרחבית של אלקטרודות וההפצה של דגימות.שנית, מספר הפרמטרים גדל במהירות עם ממדיות קלט, המוביל לסיכון גבוה של התאמה על הנתונים הקטנים יחסית האופייניים לניסויי BCI (לעיתים פחות מאלף ניסויים לסובייקטיבי), MLP רגישים לרעש ומוגבלים לדגם של אותות עצביים, אם כי הם עשויים להיות עדים להוכחה מעשית של תפקודם של תפקודם של תפקודם של תפקודם של תפקודם של אותות שאינם ממושמעויים.

גבולות רשתות מחוברות

מעבר לנושאים לעיל, שכבות מחוברות לחלוטין להתעלם מהמקומיות של מידע.בקיצור EEG, אלקטרודות סמוכים לעתים קרובות להקליט פעילות מתואמת ממקורות קורטיים סמוכים. שכבת אבולוציה שמכבדת את הקישוריות המקומית הזו יכולה למנף מבנה מרחבי כזה הרבה יותר יעיל.

רשתות ערפיליות אבולוציה (CNN) עבור הפקת תכונותספאטי

רשתות עצביות מהפכתיות הפכו לאבן הפינה של אותות המוח של קידוד, במיוחד עבור נתוני EEG ו- ECoG. CNN ליישם מסננים לומדים על פני המרחב או הממדים הזמניים של הקלט, שמירה על יחסים מקומיים תוך צמצום באופן דרסטי את מספר הפרמטרים בהשוואה לרשת מחוברת לחלוטין.שני משפחות עיקריות של ארכיטקטורות CNN הופיעו: אלה באמצעות 1D מהפכות לאורך זמן (conorals) והן באמצעות רשתות אלקטרו-מהפכה מוצלחת (D) ו- 2D).

EEGNet ו-Deep ConvNets

אחת האדריכלות המשפיעות ביותר היא FLT:0EEGNetential IndexFLT:1, CNN קומפקטית המיועדת במיוחד עבור סיווג EEGNet משתמשת במונופולציות עומק וניתנות להשגה מסננים מרחביים ספציפיים של נושא, תוך שמירה על מודל האור מספיק כדי להכשיר על נתונים קטנים (EEGNet) כולל אבולוציה של זמן (למידת תדירות), ואחריו מספר רחב של ספקטרום של כמה ערוצים (DF) עם תכונות ספציפיות של ספקטרום (DVatetexi) עם תכונות שונות של ספקטרום רחבות על פני שטחית בלבד.

גרסאות אחרות בשימוש נרחב CNN כוללות את FLT:0 [שאפשרו ConventialFLT]:1 ו- (FLT:2Deep ConvNetveFLT 3: 3, המוצעות על ידי Schirmeister et al.2017. תהליכי הגרסאות הרדודים הגלומות ב-EEG עם temporal convolution יחיד, משטח של ערוצי נחיתה מרחביים, ושכבה סופית זה יעיל עבור תמונות מוטוריות, כאשר הם הופכים שינויים מורכבים יותר.

CNN for Seizure Detection and Beyond

ביישומים קליניים, CNN הראו ביצועים יוצאי דופן בזיהוי ההתקפים האוטומטי מהקלטות EEG רציף. על ידי התייחסות לאות הרב-ערוצי כתמונה 2D (ערוצי × זמן), CNN יכול ללמוד לזהות את החתימות של spatio-temporal של פעילות טלטל ובינלאומית. [+] סכיזופרניה גדולה, כגון אלה באמצעות בית החולים האוניברסיטאי EEG Dataset, הראו כי גלאי מבוסס CNN יכולים לזהות תופעות לוואי איטיות כמו סכיזופרניה, כמו סכיזופרניה, כמו סכיזופרניה, כמו סכיזופרניה, כמו אלצהיימר, כמו גם סכיזופרניה, כמו סכיזופרניה, כמו אלצהיימר, כמו גם סכיזופרניה, כמו אלצהיימר, כמו אלצהיימר, כמו אלצהיימר, כמו אלצהיימר, כמו אלצהיימר, כמו אלצהיימר, כמו סכיזופרניה, 000.

רשתות ניאליות חוזרות ונשנות (RNNs) ו-LSTM עבור Temporal Dynamics

(ה) אותות המוח הם בלתי אפשריים: מצב המוח בזמן (FLT:0tigFLT:1 מושפע מאוד מההיסטוריה האחרונה שלו: רשתות עצביות חוזרות (RNs) נועדו לעבד רצף על ידי שמירה על מצב חבוי שעודכן בכל שלב.

LSTMs for Continuous EEG Classification

LSTMs הועסקו עבור משימות שבהן ההקשר זמני הוא רב-חשיבות, כגון עומס קוגניטיבי מסווג, שלבים שינה או דיבור דמיוני מ-EEG microstates.לדוגמה, בטיפוח שינה, קטע 8 שניות של נתונים פוליסמומוגרפיה עשוי להכיל דפוסים אופייניים מתפתחים במשך יותר דקות; LSTM יכול לקודד את התלויות ארוכות הטווח הללו.

אחד האתגרים של שימוש ב-LSTMs עבור אותות המוח הוא שיעור הדגימה גבוה (לעתים קרובות 250 הרץ או גבוה יותר), אשר תוצאות ברצף קלט ארוך מאוד.כדי להפחית את זה, ארכיטקטורות רבות תחילה להפחית את אות הגלם או ליישם חזית מהפכתית כדי להפחית את רזולוציה הזמן לפני האכלה של תכונות לשכבות חוזרות.

ג'וינט ותשומת לב - RNNN

GRUs מציעים מנגנון פשוט יותר מאשר LSTMs, עם פחות פרמטרים, וראינו ביצועים דומים על נתונים רבים של EEG. החוקרים גם הגדילה RNs עם תשומת לב, המאפשר לרשת להתמקד בצעדים הזמן המודיעיני ביותר.לדוגמה, במשימות הליכה / לא-go, המודל יכול ללמוד להשתתף ברגע של מצגות מאשר בסיס זה לעתים קרובות לתאר מנגנונים מתקדמים.

שינויים ותשומת לב מכניזם

האדריכלות המתירה, שפותחה במקור לעיבוד שפה טבעית, מותאמים לאות המוח המתפתל עם תוצאות מרשימות.בלבו, המירר מחליף את ההישנות עם FLT:0 מנגנון תשומת הלב עצמי שהופך את ה-FLT:1 כי חישובים סכומים משקל של כל עמדות קלט, ומאפשר את המודל לתפוס באופן ישיר תלות לטווח ארוך ללא בקבוק ה-Squaential של RNEEs ו-S (GEE) עבור אותות מרחביים (Gacrosss) כדי להפוך אותם לערוצים) ו-זמנית (Goral) כדי להפוך אותם לנקודות זמן רב (Gacrossd) ו-זמניים) כדי להפוך את פני השטח (Gacrossa).

EEG-Transformer ו Variants

אחת ההסתגלויות המוקדמות ביותר היא סדרת הזמן הרב-ערוצית:0EEG-Transformer:1, אשר מדגימה את סדרת הזמן הרב-ערוצית לתיקונים (למשל, 1-II חלונות) ולאחר מכן חל על מהפך סטנדרטי של קודקוד-רק עם הטמעת מיקום.

כרך נוסף הוא ה-EEEFLT:0Vision Transformer (ViTrea)FLT (הופנה מהדף EEG) על ידי טיפול בדימוי 2D EEG (ערוצי × Time) כרשת חתומה.הגישה הוויטרית שימשה למיצוי בין-subject Detection ו- Sleep Stage סיווג של שלב השינה.

Multi-Modal Transformers and Cross-Attention

אותות המוח מרתיעים לעתים קרובות יתרונות מ-Fusing מרובות מודולים, כגון EEG ו fMRI, או EEG ו- Eye-tracking. Transformers באופן טבעי לתמוך קלטים רב-ממדיים באמצעות קודים נפרדים עבור כל מודוליות ולאחר מכן חוצה את ההסתכלות ביניהם.לדוגמה, מחקר עדכני על רגש השתמש בטרנספורמציה ל-EEG אותות פיזיולוגיים peripheral (Gmodal) באמצעות דיוק אמיתי, הוא התקדמות משמעותית, לעומת זאת, הוא התקדמות עבודה אחת, מאשר דרך דיוק אמיתי, לפני הספירה לאחור, הוא יעיל יותר מאשר התקדמות גבוהה יותר מאשר פיתוח בסיס אמיתי, לפני הספירה לאחור, לפני הספירה לאחור, הוא התקדמות עבודה, הוא יעיל יותר מאשר דרך דיוק אמיתי, לפני הספירה לאחור, הוא מבטיח, לפני הספירה לאחור, מאשר דרך דיוק אמיתי, מאשר התקדמות גבוהה יותר, לפני הספירה לאחור, לפני הספירה לאחור, מאשר דרך דיוק אמיתי, הוא יעיל יותר, הוא יעיל.

אדריכלות היברידית: שילוב CNNs, RNNNs ו- Transformers

לא אדריכלות אחת שולטת בכל משימות של קידוד המוח.המודלים המודרניים היעילים ביותר הם לעתים קרובות היברידיים שמנצלים את נקודות החוזק של כל בלוק בניין. צינור היברידי טיפוסי הראשון חל על קבוצה של שכבות אבולוציוניות כדי לחלץ תכונות מרחביות מקומיות (למשל, מאלקטרודה מונטז) ודפוסי זמן קצרים (למשל, להקות תדרים).

CNN-LSTM ו- CNN-Transformer

אחת המסגרות ההיברידיות המוצלחות ביותר היא ה-FLT:0.CNN-LSTMFLT:1 לדוגמה, ב-BCI תחרות IV Dataset (2a), CNN עם מהפכות נחותות, ואחריו ערך B-LSTM שהושג כ- kappa מעל 0.70, באופן משמעותי מקנה קו בסיס מקוצר (GLTF:2-CNN-Transformance) באופן יעיל יותר ל-Conactercoformanceer (מחדש) באופן משמעותי יותר) אשר נקרא לעתים קרובות יותר רצף של ה-DERDIRECT (ראויכוח קונסולהטווח גבוה יותר) ו-DIRDIRDIRDERDERDERDERDERCOERCOVER (ראוי) באופן משמעותי יותר) ו-TR) של ה-DERDIRSTERDERDERDERDERG).

להקות ו- Multi-Scale Approaches

מודלים היברידיים יכולים גם לשלב עיבוד רב בקנה מידה.לדוגמה, מודל עשוי לעבד את האות בשלושה החלטות זמניות (למשל, באמצעות ירידה על ידי גורמים של 2 ו- 4) ולשלב את התכונות באמצעות תשומת לב.זה מחקה את הדרך שבה המוח עצמו מעבד מידע במספר רב של זמן, החל מגלישה מהירה לקצבים קורטיים איטיים.

אתגרים עתידיים ואתגרים פתוחים

למרות ההתקדמות המרשימה, כמה אתגרים נותרו לפני שפיכת הרשת העצבית של אותות המוח הופכת לבחינה קלינית ומסחרית.

העברת למידה ו generalisation

(ב) צוואר בקבוק גדול הוא הכללה גרועה על פני נושאים, מפגשים, ומכשירים.רוב דגמי הלמידה העמוקים מאומנת ומעריכו על נתונים של נושא אחד (או קבוצה קטנה) ונכשלים כאשר הם מוחלים על משתמש חדש.FLT:0Transferancy למידה מוקדמת של שיטות 1FLT 1 כדי להתאים מודל לפני אימון כללי המאפשר GEEGate-H) להגדרה כללית של קודים מינימליים (למשל, סימולציה של אופציונלית) באמצעות מודלים של ספקטרום גבוה של ספקטרום גבוה של ויזואליים (D) ו-SPTSECTS) ו-S (מחדשהתקני טקסט סימולציה) הוא מודל פרמטרים (DVITVITER-S) הוא מודל מוסמך (DVIT) מאפשר פרמטרים (DVITEROSTEROSTEROSTEROPTS) ו-SECT) ל-TEROPTSECTSECT) ל-SECTS) ל-SECTSECTS) ל-SECTSECTSECTSECTSECT סימולציה) ל-SECTS (מחדש של סימולציה) ל-SECTS) ל-SECT סימולציה גבוהה יותר) ל-SECTSECT

למידה לא מבוססת ועצמית

נתונים של אותות המוח יקר ושעה כדי לרכוש. שיטות לא מבוססות ומבוססות על עצמי ללמוד ייצוגים משמעותיים של אותות שאינם מתוייגים, אשר לאחר מכן ניתן להעביר משימות במורד הזרם עם פחות תוויות. למידה, קידוד חיזוי, וקידוד מסיכה של נתונים מופעלים פחות על EEG ו- MEG. לדוגמה, את ה-F: LTSEECimEESEESEESEECIRSTSEESEESLTs, כלומר, תכונות אבטחה פחות מ-L.

זמן אמת ושפל נמוך

עבור יישומים רבים של BCI, כגון שליטה ⁇ או איברי נוירו-פרוטטיסטיים, הדה-הקידוד חייב לקרות בזמן אמת עם נטיות מינימלית.מודלים גדולים יותר יכולים להיות תובעניים מבחינה חישובית.חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים את האדריכלות היעילה, כולל (FLT:0spiking neuraling networks) לדחוסים מאוד, כגון: IFLT2i) חומרים עצביים, אשר מחקים, חומרים ביולוגיים ופועלים על בסיס נתונים המבוססים על בסיס אירועים, ומופעלים, ומופעלים, והופכים לגרסאות מורכבות, כדי לגרסאות מורכבות יותר, לגרסאות מורכבות של חומרה (LIFLTIFLTIFLTI).

הסבר ואמון

רופאים ומשתמשי קצה צריכים לבטוח במערכת מרתיעה, במיוחד כאשר היא משפיעה על החלטות רפואיות.מודלים למידה עמוקה נקראים לעתים קרובות קופסאות שחורות, אבל העבודה האחרונה ב- AI (XAI) עבור אותות המוח יצרה מפות סלקטיבית, הסתברות של שכבת רלוונטיות (LRP), וויזואליזציה תשומת לב המדגישה כי נקודות זמן או אלקטרודות המודל מתמקדת רק בהסברים כאלה, אך יכולה גם לחשוף שיטות בדיקה פיזיולוגיות ספציפיות של מדדים של מדדים של התפתחותית המוח.

Multi-Task ו- Multi-Subject Modelling

מודלים נוכחיים הם בדרך כלל מאומן למשימה יחידה (למשל, צילום מוטורי או זיהוי התקפים) Multi-task למידה, שבו ייצוג משותף מאומן על מספר משימות הקשורות בו זמנית, הראה הבטחה לשיפור ביצועי משימה אישית באופן דומה, מודלים רב-סובייקטים הלומדים ייצוג אנטומי ופונקציונלי משותף על פני נושאים יכולים לאפשר העברת אפס-צילום: יצירת רומן ללא כל קלורציה נתונים, עכשיו, פרדיגמה נדרשת.

מסקנה

ארכיטקטורות רשת עצבית עבור אותות המוח קידוד התפתחו מרשתות מחוברות פשוטות ועד היברידיות מתוחכמת של אבולוציה, חוזרת ועיצובים מבוססי תשומת לב. CNN מצטיינים בלכידת תבניות מרחביות; RNNs ו LSTM מודל תלות זמנית; ההופכים מספקים חיבור גלובלי חזק ותמיכה בקידוד רב-טווח.