Adaptive Constrained IVAMGGMM: Application to Mental Disorders Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The demand for adaptable approaches to analyze extensive fMRI data is growing, focusing on capturing population patterns while preserving individual uniqueness. Independent component analysis (ICA) is increasingly used to uncover spatio-temporal patterns in brain imaging but struggles with separating correlated sources in multivariate data like fMRI. For that, we propose an ICA-based multivariate generalized Gaussian mixture model combined with the constrained ICA to form the cICA-MGGMM. This model relaxes the independence assumption of ICA. Also, we propose the adaptive constrained ICA-MGGMM (acICA-MGGMM) to adaptively control the association between reference signals and estimated sources. Independent vector analysis (IVA) calculates global spatial and temporal patterns from multi-subject fMRI data while preserving individual variability but performs poorly with large datasets and weak component correlations. This paper proposes integrating reference signals into the formulation to address the problem and provide guidance in high-dimensional situations. For that, we propose cIVA-MGGMM to address ICA limitations for multivariate data, offering a framework for references but relying on user-defined constraint parameters to enforce reference-estimated sources associations. To tackle these limitations, we introduce the adaptive cIVA-MGGMM (acIVA-MGGMM) to adapt and separate the activated brain sources. This model employs a full covariance matrix, which consider the feature correlation. Our four constrained methods incorporate prior information about the sources into the ICA and IVA models to address the limitations of ICA and IVA in high-dimensional data. We validate our models on simulation, Alzheimer's, Schizophrenia, EEG, and ADHD datasets, demonstrating superior performance over base models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle