| 講演名 | 2017-03-06 深層リカレントニューラルネットワークを用いたfMRIの解析及び脳機能の解読 大橋 耕也(東工大), 鈴木 大慈(東工大/JST/理研), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 被験者が特定のタスクを行っているときの脳活動をfMRIにより観測したデータ (task-evoked fMRIデータ) から，そのタスクを特定する問題を考える．先行研究として，FFNN (Feedforward Neural Network) を用いた手法が提案されており，ロジスティック回帰等の既存手法を優越する分類精度を達成することが示されている．しかし彼らの手法は時間情報を用いておらず，分類精度向上の余地が残されていた．本研究では時間情報を取り入れた解析を行うため，RNN (Recurrent Neural Network) を用いた分類手法を提案する．提案手法は，自然言語処理の分野で提案されたテキスト分類の考え方を採用したものである．実データを用いた数値実験により，提案手法は既存手法以上の分類精度を達成することが確認された．さらに，学習されたタスク分類器に感度分析を行うことで，特定のタスクに対し重要な役割をもつ脳の部位が推定できることを示す． |
| 抄録(英) | We consider a classification problem in which the task that a subject is performing is identified from the brain activity data observed by fMRI. It has been shown that a classification method using FFNN (Feedforward Neural Network) achieved better classification accuracy than existing methods such as logistic regression. However, their method did not use temporal information and there was room for improvement in classification accuracy. In this study, we propose a classification method using RNN (Recurrent Neural Network) to incorporate temporal information. The proposed method adopts the idea of text classification method proposed in the field of natural language processing. Numerical experiments using real data confirmed that the proposed method achieves classification accuracy higher than those of existing methods. Furthermore, we show that through the sensitivity analysis of the learned task classifier, it is possible to estimate the part of the brain that has an important role for a specific task. |
| キーワード(和) | Deep learning / RNN / fMRI / Classification / Brain decoding / Brain machine interface |
| キーワード(英) | Deep learning / RNN / fMRI / Classification / Brain decoding / Brain machine interface |
| 資料番号 | IBISML2016-104 |
| 発行日 | 2017-02-27 (IBISML) |
| 研究会情報 | |
| 研究会 | IBISML |
|---|---|
| 開催期間 | 2017/3/6(から2日開催) |
| 開催地（和） | 東京工業大学 |
| 開催地（英） | Tokyo Institute of Technology |
| テーマ（和） | 統計数理，機械学習，データマイニング，一般 |
| テーマ（英） | Statistical Mathematics, Machine Learning, Data Mining, etc. |
| 委員長氏名（和） | 福水 健次(統計数理研) |
| 委員長氏名（英） | Kenji Fukumizu(ISM) |
| 副委員長氏名（和） | 杉山 将(東大) / 鹿島 久嗣(京大) |
| 副委員長氏名（英） | Masashi Sugiyama(Univ. of Tokyo) / Hisashi Kashima(Kyoto Univ.) |
| 幹事氏名（和） | 津田 宏治(東大) / 竹内 一郎(名工大) |
| 幹事氏名（英） | Koji Tsuda(Univ. of Tokyo) / Ichiro Takeuchi(Nagoya Inst. of Tech.) |
| 幹事補佐氏名（和） | 神嶌 敏弘(産総研) / 岩田 具治(NTT) |
| 幹事補佐氏名（英） | Toshihiro Kamishima(AIST) / Tomoharu Iwata(NTT) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Infomation-Based Induction Sciences and Machine Learning |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 深層リカレントニューラルネットワークを用いたfMRIの解析及び脳機能の解読 |
| サブタイトル（和） | |
| タイトル（英） | Recurrent Neural Networks for task-evoked fMRI data classification |
| サブタイトル（和） | |
| キーワード(1)（和/英） | Deep learning / Deep learning |
| キーワード(2)（和/英） | RNN / RNN |
| キーワード(3)（和/英） | fMRI / fMRI |
| キーワード(4)（和/英） | Classification / Classification |
| キーワード(5)（和/英） | Brain decoding / Brain decoding |
| キーワード(6)（和/英） | Brain machine interface / Brain machine interface |
| 第 1 著者 氏名（和/英） | 大橋 耕也 / Koya Ohashi |
| 第 1 著者 所属（和/英） | 東京工業大学(略称：東工大) Tokyo Institute of Technology(略称：Tokyo Tech) |
| 第 2 著者 氏名（和/英） | 鈴木 大慈 / Taiji Suzuki |
| 第 2 著者 所属（和/英） | 東京工業大学/科学技術振興機構さきがけ/理化学研究所(略称：東工大/JST/理研) Tokyo Institute of Technology・PRESTO,Japan Science and Technorogy Agency/RIKEN(略称：Tokyo Tech/JST/RIKEN) |
| 発表年月日 | 2017-03-06 |
| 資料番号 | IBISML2016-104 |
| 巻番号（vol） | vol.116 |
| 号番号（no） | IBISML-500 |
| ページ範囲 | pp.33-40(IBISML), |
| ページ数 | 8 |
| 発行日 | 2017-02-27 (IBISML) |