2022 Fiscal Year Annual Research Report
Development of fast and accurate functional cluster/hub cell detection method in brain network
| Project Area | Morphological features and gene expression patterns underlying hub neurons |
|---|
| Project/Area Number |
20H05776
|
|---|
| Research Institution | Ibaraki University |
|---|
Principal Investigator |
竹田 晃人 茨城大学, 理工学研究科(工学野), 准教授 (70397040)
|
|---|
| Project Period (FY) |
2020-10-02 – 2023-03-31
|
| Keywords | 機能的クラスタ / 神経ネットワーク / 神経活動特徴量抽出 / ベイズ推定 / マルコフ連鎖モンテカルロ法 / 行列分解 |
|---|
| Outline of Annual Research Achievements |
本研究課題の最終年度は以下の3項目に関し主に成果が得られた。
(1) 神経クラスタ推定アルゴリズムの拡張と推定結果の検証法の考案：開発中の神経クラスタ推定アルゴリズムについて、非定常な神経クラスタ構造を解析する目的から、クラスタ粒度（クラスタのスケール）の調整が可能となるようアルゴリズムを拡張した。加えて推定結果の妥当性を確かめるために、MCMC法に基づくアルゴリズムを拡散過程とみなしその挙動を調べ、クラスタ推定結果と拡散過程の収束分布との間に矛盾が無いことを確認した。
(2) Ca2+イメージング画像中の神経細胞とスパイク時系列との同時推定：Ca2+イメージング画像中の神経細胞の位置とスパイク時系列とを同時推定するアルゴリズムの改良を継続して実施した。成果として、改良アルゴリズムにより広範囲の画像中に存在する複数個の神経細胞の位置が一括して正確に推定可能なこと、かつそれらのスパイク時系列も高精度に推定可能なことが確認でき、アルゴリズムの実用化に大きく近づいた。
(3) 行列分解によるfMRIデータからの特徴量の抽出：脳活動のfMRIデータ中の特徴量を抽出するために、これまでに提案されている多数の行列分解の手法の適用を試みた。加えて各手法により抽出された特徴量が脳活動の特徴を正しく反映しているか、機械学習の分類器を用い検証した。結果として、疎性を取り入れた行列分解の手法が適切な特徴量を抽出することが分かり、脳情報処理にスパースコーディングが実現されている傍証が得られた。またこれとは別に、疎性を取り入れた行列分解の手法を自身でも開発した。
その他、当初計画していた神経ネットワーク自体の推定法やクラスタ推定アルゴリズム等の高速化に関しても研究を遂行した。以上の成果の一部は論文として出版済あるいは投稿中である。加えて多数の学会で研究成果を公表し、中には賞を授与された発表もあった。
|
| Research Progress Status |
令和4年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和4年度が最終年度であるため、記入しない。
|
