Adaptive Constrained IVAMGGMM: Application to Mental Disorders Detection
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».