Time-dependent maximum entropy model for populations of retinal ganglion cells
逆伊辛模型在计算神经科学中用于推断大型神经元群体同步活动的概率分布。该方法允许找到具有单神经元偏置和成对相互作用的玻尔兹曼分布,其最大化熵并再现所记录的神经元活动的经验统计。在这里,我们将这种策略应用于大量不同类型的视网膜输出神经元(神经节细胞),这些神经元受到多种视觉刺激的刺激,并具有自己的统计数据。视网膜输出神经元的活动由上游神经元的输入和递归连接驱动。我们首先应用标准的逆伊辛模型的方法,并表明,它占系统的集体行为时,输入的视觉刺激具有短距离的空间相关性,但不为远程的。这是因为具有长距离空间相关性的刺激使长距离神经元的活动同步。这种效应不能用成对相互作用来解释,因此也不能用成对伊辛模型来解释。为了解决这个问题,我们应用先前提出的框架,其中包括在单个神经元的偏见时间依赖模型神经元是如何驱动的时间刺激。由于这一增加,刺激效应被考虑到的偏见,和成对的相互作用允许在人口活动中的网络效应的特征和再现的视网膜架构中的经常性功能连接的结构。我们发现,视网膜结构分裂成弱相互作用的神经元组成的亚群。总的来说,这个时间框架修复了标准的,静态的,逆伊辛模型的问题,并占系统的集体行为,刺激与短期或长期的相关性。
2022-07-26 q-bio.NC
Evaluating the statistical similarity of neural network activity and connectivity via eigenvector angles
神经系统是网络,在许多研究场景中,多个网络之间的战略比较是一项普遍的任务。在这项研究中,我们构建了一个统计测试的矩阵表示成对方面的神经网络的比较,特别是尖峰活动和连接之间的相关性。“特征角检验”通过两个矩阵的排序特征向量之间的角度来量化两个矩阵的相似性。我们校准的相关性矩阵使用随机模型的相关尖峰活动的测试的行为,并演示它是如何比较经典的两个样本的测试,如Kolmogorov-Smirnov距离,在这个意义上说,它是能够评估也结构方面的成对措施。此外,本征角检验的原理还可以用于比较某些类型网络的邻接矩阵的相似性。因此,该方法可以用来定量地探索具有相同度量的连接性和活动性之间的关系。通过应用本征角测试的连接矩阵和相关矩阵的随机平衡网络模型之前和之后的一个特定的突触重新布线干预的比较,我们衡量的相关活动的连接功能的影响。本征角检验的潜在应用包括模拟实验、模型验证和数据分析。
2022-09-08 q-bio.NC
STNDT: Modeling Neural Population Activity with a Spatiotemporal Transformer
University of Washington(华盛顿大学)
建模神经元群体动态噪声单次试验尖峰活动是必不可少的相关神经观察和行为。最近的一种非递归方法-神经数据Transformers(NDT)-在没有显式动力学模型的情况下,在捕获具有低推理延迟的神经动力学方面取得了巨大成功。然而,NDT侧重于模拟群体活动的时间演化,而忽略了单个神经元之间丰富的协变。在本文中,我们介绍了时空神经数据Transformer(STNDT),一个基于NDT的架构,明确地模拟在整个时间和空间的人口中的单个神经元的反应,以揭示其潜在的放电率。此外,我们提出了一个对比学习损失,根据掩模建模目标,以进一步提高预测性能。我们表明,我们的模型在估计四个神经数据集的神经活动方面实现了最先进的集成性能,证明了它能够捕获跨越不同皮层区域的自主和非自主动态,同时对手头的特定行为完全不可知。此外,STNDT空间注意力机制揭示了神经元的重要子集,这些子集在驱动整个群体的反应中发挥着至关重要的作用,为神经元群体如何执行计算提供了可解释性和关键见解。
2022-06-09 cs.LG q-bio.NC
Neural Avalanches at the Critical Point between Replay and Non-Replay of Spatiotemporal Patterns
我们模拟自发皮层活动与网络的耦合尖峰单位,其中多个时空模式被存储为动态吸引子。我们引入了一个序参数,它衡量网络活动与存储模式之间的重叠(相似性)。我们发现,根据网络的兴奋性,不同的工作制度是可能的。对于高兴奋性,动态吸引子是稳定的,并且自发地出现重放存储的模式之一的集体活动,而对于低兴奋性,没有重放被诱导。在这两个区域之间,存在一个临界区域,在该区域中,动力学吸引子是不稳定的,并且由噪声引起间歇性的短重放。在临界尖峰阈值处,序参量从0变为1,并且其波动最大化,正如相变所预期的那样(并且正如最近在大脑中的实验结果所观察到的那样)。值得注意的是,在这个关键区域,雪崩的大小和持续时间分布遵循幂律。临界指数与最近在神经雪崩测量中观察到的比例关系是一致的。总之,我们的简单模型表明,雪崩功率法在皮层自发活动可能是网络的影响,在重放和非重放的时空模式之间的临界点。
2013-10-08 cond-mat.dis-nn q-bio.NC
Spatio-Temporal Investigation of Brain-Wide Sequences
在“行为的组织”(Hebb,1949)中,Hebb认为短暂分组的神经元之间的活动传播在行为中起着重要作用。从那时起,多项研究提供了支持赫布说法的证据;然而,大多数发现都是在单峰任务期间在局限的大脑区域中发现的。在这里,我们报告在人类执行多模态任务的大脑范围内的行为特定序列。为了研究这些序列的结构,我们使用MEG来记录参与者在执行感觉运动同步任务时多个大脑区域的大脑活动。我们检测到的局部瞬态事件对应于同步激活群体的锥体神经元,并寻找他们的全球组织之间的时空模式的激活序列遥远的神经元群体。我们的分析集中在两种类型的时空模式:最频繁重复的模式和最具歧视性的模式,集中在与行为高度相关的模式。研究结果表明,全球时间上精确的序列可以找到,这些序列具有部分刻板的特点,在时间和空间上,具有一致的属性跨学科。通过实施简单的单次尝试解码方法,我们发现全脑序列的时间精度为17-31毫秒,这类似于神经组件中局部发现的时间精度。
2021-05-27 q-bio.NC
A statistical method for analyzing and comparing spatiotemporal cortical activation patterns
我们提出了一种新的统计方法来分析多通道稳态局部场电位(LFP)记录在不同的感觉皮层不同的啮齿动物物种。我们的时空多维聚类统计(MCS)方法,使统计分析和比较集群的数据点在n维空间。我们证明,使用这种方法刺激特定的吸引子样时空活动模式可以检测到,并显着不同,彼此在刺激与持久的刺激。我们的方法可以应用于其他类型的多通道神经元数据,如EEG,MEG或尖峰响应,并用于开发新的大脑活动读出算法,并为脑机接口的发展开辟了新的前景。
2016-11-23 q-bio.NC q-bio.QM
Spatio-temporal patterns in multi-electrode array local field potential recordings
本文提出了一种检测多电极阵列神经记录中活动行波的方法。该方法将局部场电位测量值转换为相域,并拟合一系列线性模型以找到平面行波的活动。在这里,我提出了新的方法,在以前的工作的背景下,它扩展,应用该方法的数据从神经记录从一个单一的动物,并验证模拟数据的方法的成功。这篇论文写于2011年,尽管它在2014年被上传到arXiv。
2015-01-01 q-bio.NC stat.AP
BaRISTA: Brain Scale Informed Spatiotemporal Representation of Human Intracranial Neural Activity
University of Southern California(南加州大学)
BaRISTA提出了一种多区域神经活动时空变换器模型及自监督任务,通过调整空间尺度提升下游解码性能。
2025-12-13 cs.AI cs.LG q-bio.NC
Reconciliation of weak pairwise spike-train correlations and highly coherent local field potentials across space
本研究将局部皮层网络与LFP模型扩展至4x4平方毫米区域,保持神经元密度并引入距离依赖连接,发现放大过程保留峰电位统计并重现弱成对相关性,同时LFP强相关随距离衰减,低频伽马相干性解释带通滤波效应。
2024-09-23 q-bio.NC
Spatio-temporal spike trains analysis for large scale networks using maximum entropy principle and Monte-Carlo method
理解神经网络的动力学是实验神经科学的一个主要挑战。为此,需要对记录的活动进行建模,重现数据的主要统计数据。在第一部分中,我们提出了一个审查最近的结果处理脉冲序列统计分析使用最大熵模型(MaxEnt)。这些研究大多集中在同步尖峰模式的建模上,而忽略了神经活动的时间动力学。然而,最大熵原理可以推广到时间的情况下,导致马尔可夫模型中的记忆效应和时间相关性的动态被适当地考虑。在第二部分中,我们提出了一种新的方法的基础上,蒙特卡罗抽样,适用于大规模的时空MaxEnt模型的拟合。这里提出的形式主义和工具对于将MaxEnt时空模型拟合到大型神经集合中至关重要。
2012-09-18 physics.data-an q-bio.NC
Two-component spatiotemporal template for activation-inhibition of speech in ECoG
University of British Columbia(不列颠哥伦比亚大学)
该研究通过主成分分析ECoG数据,发现感觉运动皮层在语音运动中的活动可由两个组分表征,呈现激活-抑制样时空模板,且第三组分不显著,表明双组分足以表示语音运动期间的SMC活动。
2024-12-30 cs.CL cs.LG eess.AS
Recurrent Interactions in Spiking Networks with Arbitrary Topology
群体活动的随机网络的兴奋性和抑制性泄漏整合和火灾(LIF)神经元已被广泛研究。特别是,在稀疏连接的网络中,出现了一种具有低放电率和低成对相关性的异步活动状态。我们应用线性响应理论来评估详细的网络结构对神经元动力学的影响。事实证明,由直接和间接网络连接引起的成对相关性可以与直接线性相互作用矩阵相关。此外,我们研究了神经元模型的特性的影响。解释重置为自我抑制,我们研究其影响,通过单神经元活动的频谱,对网络的自相关函数和整体相关水平。神经元模型也影响相互作用核的形式,从而影响依赖于时间的相关函数。我们最终发现,一个线性不稳定的网络与Erdens-Rényi拓扑结构一致的全球过渡到一个高度相关的网络状态。我们的工作表明,经常性的相互作用有深刻的影响,脉冲序列统计,并提供了工具,研究特定的网络拓扑结构的影响。
2012-03-22 q-bio.NC
Gibbs distribution analysis of temporal correlations structure in retina ganglion cells
我们提出了一种方法来估计吉布斯分布与\textit{spatio-temporal}约束脉冲序列统计。我们将这种方法应用于记录蝾螈视网膜神经节细胞的脉冲序列,以响应自然电影。我们的分析,仅限于少数神经元,执行更准确地比成对同步模型(伊辛)或1-时间步长马尔可夫模型(\cite{marre-boustani-etal:09})来描述时空尖峰模式的统计,并强调高阶时空相互作用的作用。
2011-12-12 physics.bio-ph q-bio.NC
Brain-JEPA: Brain Dynamics Foundation Model with Gradient Positioning and Spatiotemporal Masking
National University of Singapore(新加坡国立大学)
Brain-JEPA是一个基于联合嵌入预测架构的脑动力学基础模型,通过脑梯度定位和时空掩码两项技术,在人口统计预测、疾病诊断与特质预测等任务上达到最先进性能,并展现出跨种族优越泛化能力,为脑活动分析开辟了新范式。
2024-09-28 cs.AI cs.CV q-bio.NC
Deep inference of latent dynamics with spatio-temporal super-resolution using selective backpropagation through time
Emory University(埃默里大学);Georgia Tech(佐治亚理工学院);The University of Chicago(芝加哥大学);UNC Chapel Hill(北卡罗来纳大学教堂山分校);NC State University(北卡罗来纳州立大学)
现代神经接口允许访问大脑回路中多达100万个神经元的活动。然而,带宽限制通常会在更大的空间采样(更多通道或像素)和采样的时间频率之间进行权衡。在这里,我们表明,它是可能的,以获得时空超分辨率神经元的时间序列,利用神经元之间的关系,嵌入在潜在的低维种群动力学。我们的新型神经网络训练策略,通过时间选择性反向传播(SBTT),能够从数据中学习潜在动态的深度生成模型,其中观察变量集在每个时间步都发生变化。由此产生的模型能够通过将观察结果与学习到的潜在动态相结合来推断缺失样本的活动。我们测试SBTT应用于顺序自动编码器,并展示了更有效和更高保真的表征神经群体动力学的电生理和钙成像数据。在电生理学中,SBTT能够以较低的接口带宽准确推断神经元群体动态,为植入的神经电子接口提供了显著节能的途径。在双光子钙成像的应用中,SBTT准确地揭示了神经群体活动的高频时间结构,大大优于当前最先进的水平。最后,我们证明了通过使用有限的高带宽采样来预训练动态模型,然后使用SBTT来适应这些模型稀疏采样数据,可以进一步提高性能。
2021-10-29 cs.LG q-bio.NC
Modeling Spatiotemporal Neural Frames for High Resolution Brain Dynamic
Fudan University(复旦大学);Southern University of Science and Technology(南方科技大学);Shanghai Innovation Institute(上海创新研究院)
本文提出一种基于EEG条件的框架,用于高保真重建动态fMRI,通过引入空域中间帧重建解决采样不规则问题,提升时空连续性与应用性。
2026-03-31 cs.CV eess.IV q-bio.NC
Spatio-Temporal Backpropagation for Training High-performance Spiking Neural Networks
与人工神经网络相比,脉冲神经网络能够编码更多的时空信息,因而在研究类脑行为方面具有广阔的应用前景。虽然神经网络的预训练或基于反向传播(BP)的直接训练使得SNN的监督训练成为可能,但这些方法仅利用网络的空间域信息,导致性能瓶颈,并且需要许多复杂的训练技巧。另一个基本问题是,尖峰活动是自然不可微的,这导致训练SNN的巨大困难。为此,我们构建了一个迭代LIF模型,它对梯度下降训练更友好。通过在训练阶段同时考虑逐层空间域(SD)和时间依赖的时间域(TD),以及尖峰活动的近似导数,我们提出了一个时空反向传播(STBP)训练框架,而不使用任何复杂的技术。我们实现了最佳性能的多层感知器(MLP)相比,现有的国家的最先进的算法在静态MNIST和动态N-MNIST数据集,以及自定义目标检测数据集。这项工作为探索未来具有丰富时空动态的类脑计算范式的高性能SNN提供了一个新的视角。
2017-09-12 cs.NE q-bio.NC stat.ML
Dynamic Decomposition of Spatiotemporal Neural Signals
神经信号的特点是丰富的时间和时空动态,反映了组织的皮层网络。理论研究表明,神经网络如何在与特定类型的信息处理相对应的不同动态范围内运行。在这里,我们提出了一个数据分析框架,使用这些动态状态的线性化模型,以便将测量的神经信号分解成一系列的组件,捕获的节奏和非节奏的神经活动。该方法是基于随机微分方程和高斯过程回归。通过计算机模拟和脑磁图数据的分析,我们证明了该方法的有效性,在识别有意义的调制振荡信号破坏结构化的时间和时空噪声。这些结果表明,该方法是特别适合于复杂的时间和时空神经信号的分析和解释。
2016-05-09 q-bio.NC stat.ML
Ising models for networks of real neurons
具有成对相互作用的伊辛模型是结构最少或熵最大的概率分布,它精确地再现了测量到的自旋之间的成对相关性。在这里,我们使用这种等价性来构建伊辛模型,该模型描述了视网膜中40个神经元的群体的相关尖峰活动,并表明成对的相互作用解释了观察到的高阶相关性。通过首先为观察到的网络找到一个有代表性的集合,我们可以创建120个神经元的合成网络,并发现随着网络规模的增加,网络的运作更接近临界点,并开始表现出集体行为,让人想起自旋玻璃。
2006-11-22 cond-mat.dis-nn q-bio.NC
Pulsatile localized dynamics in delayed neural-field equations in arbitrary dimension
神经场方程是描述空间扩展的皮层块的宏观活动的积分微分系统。在这样的皮质组件中,由于信息的传输(传播延迟)和突触机制(恒定延迟),信息的传播和传输机制引起通信延迟。我们调查的作用,这些延迟对这些系统在任意维度的结构化时空模式的形成。我们专注于本地化的活动,无论是由本地化的刺激(脉冲)的存在或两个级别的活动(前线)之间的过渡引起的。线性稳定性分析可以揭示存在的Hopf分岔曲线引起的延迟,沿不同的模式,可能是对称的或不对称的。我们发现,不稳定性强烈依赖于尺寸,特别是可能会表现出沿不变方向的横向不稳定性。这些不稳定性产生脉动的局部活动,并根据对称性的不稳定模式,要么产生时空呼吸或晃动模式。
2014-02-03 math.DS nlin.PS q-bio.NC
State-space analysis of an Ising model reveals contributions of pairwise interactions to sparseness, fluctuation, and stimulus coding of monkey V1 neurons
在这项研究中,我们分析了活动的猴V1神经元响应不同方向的光栅刺激使用推理方法的时间依赖伊辛模型。该方法根据序贯贝叶斯估计算法,给出了具有可信区间的时变神经元相互作用的最优估计。此外,它允许我们跟踪宏观网络属性的动态,如熵,稀疏性和波动。在这里,我们报告说,在所有检查的刺激条件下,成对的相互作用有助于增加稀疏性和波动。然后,我们证明了光栅刺激的方向部分编码在成对的相互作用的神经元群体。这些结果表明,在刺激处理过程中的神经相互作用的贡献评估的状态空间伊辛模型的效用。
2018-07-24 cond-mat.dis-nn q-bio.NC stat.ML
Emergent Dynamics and Spatio Temporal Patterns on Multiplex Neuronal Networks
我们提出了一项研究,研究在多重框架中连接的神经元之间出现的各种时空模式,其中两层神经元具有不同的功能耦合。与Hindmarsh-Rose模型的单神经元的动力学,我们分析了可能的模式,在每一层的动力学分别和报告紧急的活动模式,如同相同步振荡和振幅死亡的兴奋性耦合和反相混合模式振荡的多集群与相位振荡时,连接是抑制性的。当它们被复用时,一层的神经元与兴奋性突触耦合耦合,另一层的神经元与抑制性突触耦合耦合,我们观察到层之间有趣的集体行为模式的转移或选择。而振荡的复苏发生在兴奋性耦合的层中,从反相到同相的过渡,反之亦然,在抑制性突触耦合的另一层中观察到。我们还讨论了如何选择这些时空模式可以通过调整层内或层间耦合强度或增加非局域耦合的范围来控制。一层具有电耦合,而另一层具有兴奋性(抑制性)类型的突触耦合,我们发现两层中神经元之间的同相(反相)同步活动模式。
2021-11-25 nlin.AO physics.bio-ph q-bio.NC
Learning recurrent dynamics in spiking networks
Laboratory of Biological Modeling, NIDDK/NIH(美国国立糖尿病、消化系统疾病和肾病研究所(NIDDK)/美国国立卫生研究院(NIH)生物建模实验室)
参与学习和执行任务的神经元的尖峰活动表现出复杂的时空动态。虽然递归网络模型的输出可以学习执行各种任务,但学习后出现的递归动态的可能范围仍然未知。在这里,我们表明,修改经常性的连接与递归最小二乘算法提供了足够的灵活性,突触和尖峰速率动态尖峰网络产生广泛的时空活动。我们应用该训练方法来学习任意的放电模式,稳定平衡网络的不规则尖峰活动,并再现参与运动规划和运动的皮层神经元的异质尖峰速率模式。我们确定了成功学习的充分条件,描述了两种类型的学习错误,并评估了网络容量。我们的研究结果表明,突触耦合的周期性尖峰网络具有巨大的计算能力,可以支持大脑中的各种活动模式。
2018-08-18 cs.AI cs.LG cs.NE
Exact minimax entropy models of large-scale neuronal activity
针对大规模神经元群体建模的欠采样瓶颈,提出树结构成对相关性下的精确可扩展极小极大熵模型,在小鼠海马体神经元数据中验证其能以极少相关性准确预测神经同步性,揭示兴奋性相互作用骨架的关键作用。
2023-12-18 cond-mat.dis-nn cond-mat.stat-mech physics.bio-ph
Stochastic synchronization of neural activity waves
我们证明,在不同层的神经元网络中的波可以成为锁相常见的时空噪声。这种现象研究了固定的颠簸,行波,呼吸。一个弱的噪声扩展被用来推导出一个有效的方程的波在每一层中的位置,产生一个随机微分方程与乘性噪声。同步状态的稳定性由李雅普诺夫指数表征,我们可以从简化系统解析地计算该指数。我们的结果扩展了以前的工作极限环振荡器,显示常见的噪声可以同步波在广泛的一类模型。
2015-03-28 nlin.PS q-bio.NC
Dynamical Modeling of Behaviorally Relevant Spatiotemporal Patterns in Neural Imaging Data
Viterbi School of Engineering, University of Southern California (USC)(维特比工程学院,南加州大学)
针对神经成像数据中高维性、复杂时空依赖及行为无关动力学带来的建模难题,提出SBIND深度学习框架,可解耦行为相关动力学,在宽场及功能超声成像数据集验证中优于现有模型,为研究行为神经机制提供工具。
2025-09-23 cs.AI cs.CV cs.LG
Pairwise Network Information and Nonlinear Correlations
从观察到的活动中重建相互作用单元之间的结构连接是许多不同学科的挑战。基本的第一步是确定单元之间的相互作用是否或在多大程度上可以被认为是成对的,因此可以被建模为具有对应于成对相互作用的简单链接的相互作用网络。原则上,这可以通过将给定二元概率分布的最大熵与真实联合熵进行比较来确定。在许多实际情况下,这不是一种选择,因为所需的二元分布可能无法可靠地估计,或者优化在计算上过于昂贵。在这里,我们提出了一种方法,允许一个使用互信息作为代理的二元分布。这具有计算成本较低且更容易估计的优点。我们通过引入一种新的熵最大化方案,该方案是基于熵和互信息的条件。这使得我们的方法通常优于基于线性近似的其他方法。所提出的方法的优点记录使用振荡器网络和休息状态的人脑网络作为通用的相关例子。
2016-09-29 physics.data-an q-bio.NC
convSeq: Fast and Scalable Method for Detecting Patterns in Spike Data
针对大规模神经记录中重复时空尖峰模式缺乏高效可扩展检测方法的问题,提出无监督方法convSeq,通过反向传播优化时空滤波器识别神经模式,速度超现有方法,为自发神经活动分析树立新标准。
2024-05-14 eess.SP q-bio.NC
Minimum and maximum entropy distributions for binary systems with known means and pairwise correlations
最大熵模型越来越多地被用来描述集体活动的神经群体与测量的平均神经活动和成对的相关性,但与这些约束一致的概率分布的整个空间还没有被探索。我们提供了上界和下界的熵的{ \em最小}熵分布在任意大的集合的二进制单位与任何固定的平均值和成对的相关性。我们还构建了几个相关的情况下,具体的低熵分布。令人惊讶的是,最小熵的解决方案具有熵缩放与系统大小的任何一组一阶和二阶统计与任意大的系统一致。我们进一步证明,这些低阶统计量的某些集合只能通过小系统来实现。我们的研究结果表明,如何只有少量的随机性需要模仿低阶统计特性的高熵分布,我们讨论了一些工程和生物信息传输系统的应用。
2017-08-21 cond-mat.stat-mech physics.bio-ph q-bio.NC
QuantFormer: Learning to Quantize for Neural Activity Forecasting in Mouse Visual Cortex
Italian Institute of Technology(意大利技术研究院);University of Catania(卡塔尼亚大学)
QuantFormer是一款基于Transformer的模型,通过动态信号量化将神经活动预测转为分类任务,结合神经元特定令牌,在Allen数据集上实现小鼠视觉皮层活动预测的新基准,泛化性能优异。
2026-08-25 cs.CV eess.IV eess.SP
The iterative reweighted Mixed-Norm Estimate for spatio-temporal MEG/EEG source reconstruction
基于脑磁图(MEG)和脑电图(EEG)的源成像允许以高的时间和良好的空间分辨率对大脑活动进行非侵入性分析。由于生物电磁场逆问题是不适定的,因此需要约束条件。对于诱发脑活动的分析,神经元激活的空间稀疏性是一个常见的假设。它通常是考虑使用凸约束的基础上l1-范数。然而,由于前向模型中的高相关性,所得到的源估计在幅度上有偏差,并且在源选择方面常常是次优的。在这项工作中,我们证明了一个逆求解器的基础上块可分离的罚款与Frobenius规范每块和l0.5-quasinstruments块解决了这两个问题。为了解决由此产生的非凸优化问题,我们提出了迭代重加权混合范数估计(irMxNE),优化方案的基础上迭代重加权凸代理优化问题,有效地解决了使用块坐标下降计划和活动集策略。我们比较建议的稀疏成像方法的dSPM和RAP-MUSIC方法的基础上两个脑磁图数据集。我们提供了经验证据的基础上,模拟和分析的MEG数据,所提出的方法提高了标准的混合范数估计(MxNE)的振幅偏差,支持恢复,和稳定性。
2016-07-28 q-bio.NC stat.AP stat.CO
On the use of Pairwise Distance Learning for Brain Signal Classification with Limited Observations
Instituto Superior Tecnico(高等技术学院);Universitat Politecnica de Catalunya(加泰罗尼亚理工大学)
越来越多的使用脑电图获得脑信号数据,为研究电生理脑活动和进行神经元疾病的门诊诊断创造了新的机会。这项工作提出了一种成对的远程学习方法,精神分裂症的分类依赖于信号的光谱特性。鉴于有限数量的观察(即病例和/或对照个体)在临床试验中,我们提出了一个连体神经网络架构,学习一个判别特征空间,从成对组合的观察每个通道。通过这种方式,信号的多变量阶数被用作数据增强的一种形式,进一步支持网络泛化能力。卷积层与余弦对比损失下学习的参数,提出了充分探索来自大脑信号的光谱图像。对病例对照人群的结果表明,使用所提出的神经网络提取的特征导致对光谱特征的改进的精神分裂症诊断(准确性和灵敏度+10pp),从而表明存在非平凡的、有区别的电生理脑模式。
2019-09-06 cs.CV cs.LG cs.NE