教師なし表現学習による微分可能な神経生理学的プロファイルの生成

科学分野:

• 神経科学
• 機械学習
• 生体医工学

背景:

• ヒトの脳活動は、時間とともに安定した個人特異的な特徴を示し、神経生理学的プロファイルと呼ばれます。
• 現在のプロファイリング方法は、ラベル付きデータと教師あり学習を必要とすることが多く、本物の生物学的信号に対する依存性か、それともアーチファクトに対する依存性かという疑問が生じます。

研究 の 目的:

• 安静時脳磁図（MEG）データから微分可能な神経生理学的プロファイルを導出するための、参加者非依存型オートエンコーダーフレームワークを開発すること。
• 脳活動における本物の生物学的個人差を特定する上での教師なし学習のパフォーマンスを評価すること。

主な方法:

• 安静時MEGデータの短いセグメントを処理するために、参加者非依存型オートエンコーダーフレームワークを実装しました。
• 潜在空間からプロファイルを導出するために、教師なし学習目的関数を利用しました。
• 参加者の差別化と年齢予測のために、開発されたフレームワークをモデルフリーおよびモデルベースのベースラインと比較しました。

主要な成果:

• 教師なし学習により、参加者の差別化においてベースライン手法を上回る識別可能な神経生理学的プロファイルが自然に得られました。
• 信頼性の高い差別化は、短い記録（14秒）で達成され、セッション間で一般化され、解剖学的情報なしでも堅牢でした。
• 学習されたプロファイルは、ベースラインよりも正確に年齢を予測し、フレームワークはスペクトルおよび接続性の空間での感度分析を可能にしました。

結論:

• 参加者非依存型モデリングは、神経生理学的プロファイリングのための原理的で解釈可能なフレームワークを提供します。
• このアプローチは、記録セッション間で一般化され、生物学的に関連のある個人差を効果的に捉えます。
• この方法は、独自の脳活動シグネチャを特定するための教師あり学習に対する堅牢な代替手段を提供します。