Centrala begrepp
다중 모달 및 다중 피험자 데이터에서 공통 특징을 식별하고 모달리티 및 피험자별 변동성을 고려하는 결합 생성기 분해 프레임워크를 제안한다.
Sammanfattning
이 연구는 전기뇌파(EEG)와 자기뇌파(MEG) 데이터를 융합하여 얼굴 지각 자극에 대한 공통 신경 특징을 식별하고, 모달리티 및 피험자별 변동성을 고려하는 결합 생성기 분해 프레임워크를 제안한다.
결합 생성기 분해 프레임워크는 데이터 소스 간 공통 특징을 식별하면서도 소스별 변동성을 고려할 수 있다. 이를 통해 희소 주성분 분석(SPCA)을 데이터 융합 설정에 적용하였다.
얼굴 지각 자극에 대한 다중 피험자, 다중 모달 신경영상 데이터를 활용하여 프레임워크의 효과를 입증하였다.
교차 검증을 통해 모델 차수와 정규화 강도의 최적값을 탐색하였고, 이를 단일 모달 및 다중 모달 모델과 비교하였다.
결과는 얼굴 자극 유형에 따른 약 170ms 시점의 퓨지폼 안면 영역 활성화 변화를 보여주었다. 특히 다중 모달, 다중 피험자 모델에서 이러한 변화가 두드러지게 나타났다.
PyTorch 기반 확률적 최적화 기법을 활용하여 기존 2차 계획법 기반 SPCA 추론 기법과 비교할 때 계산 시간이 크게 단축되었다.
Statistik
얼굴 자극 유형에 따라 약 170ms 시점에서 퓨지폼 안면 영역 활성화에 차이가 있다.
특히 다중 모달, 다중 피험자 모델에서 이러한 차이가 두드러지게 나타났다.
Citat
"다중 모달 및 다중 피험자 데이터에서 공통 특징을 식별하고 모달리티 및 피험자별 변동성을 고려하는 결합 생성기 분해 프레임워크를 제안한다."
"결과는 얼굴 자극 유형에 따른 약 170ms 시점의 퓨지폼 안면 영역 활성화 변화를 보여주었다."