Long-Term Memory: Scaling of Information to Brain Size
信息的物质基础--纸张、计算机磁盘--通常与信息量成比例。大量的信息通常需要大量的物质基础。传统观点认为,人类的长期记忆位于脑组织中,因此可能会随着大脑的大小而扩大,而大脑的大小又取决于颅骨的容量。大的记忆力,就像学者一样,总是需要大的头脑。小脑袋应该总是用小记忆来衡量。虽然之前的结论是,这些预测都不是永远正确的,但证据是薄弱的。脑的大小也取决于脑室的大小,在一些儿童脑积水的幸存者中,脑室可能仍然很大,占据了95%的颅容积。然而,其中一些人具有正常或高级的智力,这表明长期记忆几乎没有受损。这一悖论对标度假说提出了挑战。或许我们应该往更远的地方看?
2013-11-12 q-bio.NC
Discovering the Computational Relevance of Brain Network Organization
理解神经认知计算不仅需要定位分布在整个大脑中的认知信息,还需要确定这些信息是如何到达那里的。本文综述了将经验和模拟的脑网络组织与认知信息处理联系起来的最新进展。在这些进展的基础上,我们提供了一个新的框架来理解连接在认知中的作用-网络编码(编码/解码)模型。这些模型利用连通性来指定通过神经活动流过程的信息传递,成功地预测了经验神经数据中认知表征的形成。这些模型的成功支持的可能性,本地化的神经功能机械地出现(计算)从分布式活动流程,主要是由连接模式指定。
2019-10-21 q-bio.NC
The Brain Uses Reliability of Stimulus Information when Making Perceptual Decisions
在简单的感知决策中,大脑必须基于来自刺激的嘈杂感觉样本来识别刺激。基本的统计考虑表明刺激信息的可靠性,即,在作出决定时,应考虑样本中的噪声量。然而,对于知觉决策实验,人们一直质疑大脑是否真的使用可靠性做出决定时,面对不可预测的变化刺激的可靠性。我们在这里表明,即使是基本的漂移扩散模型,它经常被用来解释实验结果的知觉决策,隐含依赖于刺激可靠性的估计。然后,我们表明,只有那些变体的漂移扩散模型,使刺激特异性的可靠性是一致的神经生理学研究结果。我们的分析表明,大脑在最多几百毫秒的短时间尺度上估计刺激的可靠性。
2015-09-07 q-bio.NC
Personalized brain network models for assessing structure-function relationships
许多最近的努力,在计算建模的宏观尺度的大脑动力学已经开始采取数据驱动的方法,结合结构和/或功能的信息,从主题数据。在这里,我们讨论了最近的工作,使用个性化的大脑网络模型来研究人类大脑的结构-功能关系。我们描述了建立这样的模型所需的步骤,并展示了这种计算方法如何通过执行虚拟实验的能力提供以前无法获得的信息。最后,我们提出了如何个性化的大脑网络模型可以用来深入了解局部刺激的影响,并改善癫痫的手术效果的例子。
2018-02-01 q-bio.NC
Demixed shared component analysis of neural population data from multiple brain areas
神经科学数据采集的最新进展允许在受试者执行复杂的认知任务时同时记录跨多个大脑区域的大量神经元。解释这些数据需要我们对任务相关信息如何在大脑区域之间共享进行索引,但这通常会被单个神经元水平上不同任务参数的混合所混淆。在这里,受为单个大脑区域开发的方法的启发,我们介绍了一种新的技术,用于在多个大脑区域中分离变量,称为分离共享成分分析(dSCA)。dSCA将群体活动分解为几个组件,以便共享组件在大脑区域之间捕获最大量的共享信息,同时还取决于相关的任务参数。这产生了可解释的组件,表达了不同大脑区域之间共享哪些变量以及这些信息何时跨时间共享。为了说明我们的方法,我们重新分析了啮齿动物和猕猴在决策任务期间记录的两个数据集。我们发现,dSCA为这些数据集中不同大脑区域之间的共享计算提供了新的见解,涉及决策形成的几个不同方面。
2020-10-26 q-bio.NC
Voxel selection framework based on meta-heuristic search and mutual information for brain decoding
视觉刺激解码是神经科学中越来越重要的挑战。我们的目标是对人类大脑的活动模式进行分类;在视觉对象的视线。脑解码器中的关键问题之一是信息体素的选择。我们提出了一个元启发式体素选择框架的大脑解码。它由四个阶段组成:fMRI数据的预处理;过滤不重要的体素;后处理;和元分析选择。主要贡献是有益的元搜索算法,以指导包装体素的选择。提名体素的主要标准是基于其与所提供的刺激标签的互信息。结果显示,DS 105和DS 107的准确率分别为90.66 +/- 3.66和91.61 +/- 8.24。这在类似的验证条件下优于大多数现有的大脑解码器。实验结果令人鼓舞,可以成功地用于脑机接口。
2021-07-29 q-bio.NC
Complexity-based Encoded Information Quantification in Neurophysiological Recordings
大脑活动在睡眠、认知任务和行动之间有很大的不同。信息论是一个合适的概念来分析量化这些大脑状态。基于神经生理学记录,该概念可以处理复杂的数据集,对数据结构没有任何要求,并且可以推断当前潜在的大脑机制。具体而言,通过利用算法信息理论,可以估计包含在大脑响应中的绝对信息。虽然目前将这一理论应用于神经生理记录的方法可以区分不同的大脑状态,但它们在直接量化大脑反应之间的相似程度或编码信息方面受到限制。在这里,我们提出了一种基于算法信息理论的方法,该方法通过基于压缩的方案估计编码信息来提供关于响应相似性的直接陈述。我们验证了这种方法,将其应用于合成和真实的神经生理数据,并比较其效率的互信息测度。该方法特别适用于不同事件类型的任务范式,因为它可以精确地量化神经元响应的相似性。
2022-05-03 q-bio.NC
Information of Epileptic Mechanism and its Systemic Change-points in a Zebrafish's Brain-wide Calcium Imaging Video Data
癫痫机制被假定为当癫痫事件临近时,动物的神经元逐渐减少其抑制功能,同时增强兴奋。钙离子成像技术是一种直接记录全脑神经元活动的技术,用于研究癫痫的发病机制。本文利用一段斑马鱼全脑钙成像视频,计算癫痫机制的动态模式信息,并设计了三种图形显示,以显示癫痫发作间期癫痫机制的可见功能方面。我们对这种动态模式的数据驱动计算的基础依赖于在696个信息像素中发现的一个普遍现象。这种普遍性表现为每个像素的渐进5百分位数过程起初以不规则的方式振荡,但在发作间期的中点之后,这种振荡被稳定增加的趋势所取代。这样的动态模式被集体转换成一个可见的系统性变化点,作为一个早期预警信号(EWS)的传入癫痫事件。我们的结论是,通过图形显示,从钙成像视频提取的模式信息逼真地揭示了斑马鱼的真实癫痫机制。
2018-02-14 q-bio.NC
The signatures of conscious access and phenomenology are consistent with large-scale brain communication at criticality
有意识的意识是指大脑中的信息处理与主观的、可报告的经验相关联。目前的有意识访问模型提出,足够强的感官刺激点燃了一个全球性的区域网络,允许进一步处理。大量可能的经验表明,与意识觉醒相关的大脑活动必须高度分化。然而,信息也必须被整合,以解释意识的单一性。我们提出了一个概念性的计算模型,识别有意识的访问与自我持续渗透的解剖网络。我们发现,如果活动传播的临界阈值,有意识的访问后,以及其他相关的标记的综合信息量(Φ)是最大的。我们还确定了一个后热点区域的高水平的信息共享在有意识的访问。最后,竞争活动传播定性描述了范式的结果,如向后掩蔽和双目竞争。
2017-08-31 q-bio.NC
Quantum information theoretic approach to the hard problem of consciousness
本文提出一种量子信息论方法解决意识难问题,将第一人称主观意识状态还原为不可观测的量子态向量,将可观测大脑视为经典比特构建的客观结构,并证明意识的量子特征无法被经典设备复制。
2025-04-13 q-bio.NC
Reduced integration and improved segregation of functional brain networks in Alzheimer's disease
新的证据表明,阿尔茨海默病(AD)的认知缺陷与大脑功能连接的中断有关。因此,识别AD功能网络中的改变已成为越来越感兴趣的话题。然而,AD在多大程度上引起人脑中局部和全局信息处理平衡的破坏仍然是难以捉摸的。本研究的主要目的是从脑网络分离和整合的角度探讨AD网络的动态拓扑变化。我们使用20名参与者(10名AD患者和10名健康对照者)在静息状态下记录的脑电图(EEG)数据。利用不同频段的脑电源连通性重建功能脑网络。进行图形理论分析,评估两组之间的差异。结果显示,AD网络,与年龄匹配的健康对照组的网络相比,其特征在于较低的全球信息处理(整合)和较高的本地信息处理(隔离)。结果还显示,AD患者功能性脑网络的改变与其认知评分之间存在显著相关性。这些发现可能有助于开发基于EEG网络的测试,可以加强从目前使用的神经退行性疾病的神经生理学测试中获得的结果。
2018-02-16 q-bio.NC
Elastic Nanocomputation in an Ideal Brain (1p abstract + 36 pages + 49 endnotes)
这种对大脑是什么和做什么的解释建立在信息第一性原理上,因为信息论和它的母体理论热力学一样,在数学上是神圣不可侵犯的,它本身建立在实值概率的基础上,就像热力学使从内燃机到氢弹的超级强大的物理技术成为可能一样,信息论也使从彩色电视到令人上瘾的视频游戏的超级有说服力的技术成为可能。只有基于这些原则的大脑是什么和做什么的理论,才能让这种超级说服工作的机制变得清晰和透明。在信息论的术语中,大脑是一个专门的实值实时3D处理器,它检测自身外部时空中的不连续性,并在此基础上重建一个连续的现实。这种连续的方法很难与任何基于独立神经元的计算架构相协调,事实上,这些架构之间的效率差异(至少一亿级)构成了本文的计算。这种非凡的信号处理需要嵌入在3D边缘检测算法中的强先验假设,不幸的是,先验也为自动说服打开了一个无法修补的安全漏洞。因此,大脑的3D模型对于理解说服性技术如何以及为什么改变我们对现实的感知,以及保护我们免受系统性的、系统性的认知操纵至关重要。
2014-09-27 q-bio.NC
Natural brain-information interfaces: Recommending information by relevance inferred from human brain signals
从万维网等大型文档集中查找相关信息是我们日常生活中的一项常见任务。用户的兴趣或搜索意图的估计是必要的,以推荐和检索相关的信息,从这些集合。我们介绍了一个大脑信息接口,用于推荐信息的相关性直接从大脑信号推断。在实验中,参与者被要求阅读维基百科上关于一系列主题的文档,同时记录他们的脑电图。基于词的相关性的预测,个人的搜索意图建模,并成功地用于检索新的,相关的文件从整个英文维基百科语料库。结果表明,用户对数字内容的兴趣可以从阅读引起的大脑信号建模。所引入的大脑相关性范例使得能够在没有任何显式用户交互的情况下推荐信息,并且可以应用于各种信息密集型应用。
2016-07-12 cs.HC cs.IR q-bio.NC
BrainNet: A Multi-Person Brain-to-Brain Interface for Direct Collaboration Between Brains
我们提出的BrainNet,据我们所知,是第一个多人非侵入性的直接脑对脑的协作解决问题的接口。该接口结合了脑电图(EEG)记录大脑信号和经颅磁刺激(TMS)非侵入性地向大脑传递信息。该界面允许三个人类受试者使用直接的脑对脑通信来协作和解决任务。三个受试者中有两个是“发送者”,他们的大脑信号是使用实时EEG数据分析解码的,以提取关于是否在俄罗斯方块游戏中旋转一个方块的决定,然后再将其丢弃以填充一条线。发送者的决定通过互联网传输到第三个主体的大脑,“接收者”,他看不到游戏屏幕。这些决定通过枕叶皮层的磁刺激传递到接收者的大脑。接收器整合接收到的信息,并使用EEG接口做出关于转动块或将其保持在相同位置的决定。游戏的第二轮给发送者一个机会来验证和提供反馈给接收者的行动。我们评估了BrainNet的性能:(1)游戏过程中的群体水平表现;(2)受试者决策的真/假阳性率;(3)受试者之间的互信息。五组三名受试者成功使用BrainNet执行俄罗斯方块任务,平均准确率为0.813。此外,通过人为地向发送者的信号中注入噪音来改变发送者的信息可靠性,我们发现接收者能够仅根据传输到他们大脑的信息来了解哪个发送者更可靠。我们的研究结果提高了未来脑对脑接口的可能性,这种接口使人类能够使用连接大脑的“社交网络”来合作解决问题。
2019-05-22 cs.HC q-bio.NC
Measuring Consciousness
构造了作为时间t的函数的意识C的基于测量的公式。该公式依赖于识别任何实体中固有的自然相关的自生的、依赖于时间的动态过程。对于人类的相关动力学过程中确定的是脑电波的合奏,在EEG测量中观察到的,表示在模型中由其测量的时间相关函数。这些相关函数定义了大脑在任何时刻的可访问动态状态。从它们中,通过使用数学恒等式提取时间相关的概率函数P(t)。根据信息论,-P(t)log P(t)是脑电波中包含的信息的度量。意识,C,是由这个信息理论公式定义的:它不是局部的,不依赖于大脑的特定硬件细节,但反映了脑电波中存在的信息内容。理由,根据观察证据,给出的公式,它表明,C反映了程度的“意识”,一个人在一个给定的时刻。该模型解释了观察到的时间延迟之间的时候,脑电波被视为启动一个动作,当有意识的行动已经启动,在脑电波处理信息的方式。一些可测试的结果的模型,包括做梦睡眠中发挥的作用,在长期记忆存储,进行了讨论。它还表明,非生命实体具有C=0。
2018-02-27 q-bio.NC
Brain network modules of meaningful and meaningless objects
网络模块化是人脑中高效信息处理的关键特征。然而,这种信息处理是动态的,并且网络可以在非常短的时间段(几百毫秒)内重新配置。这需要具有足够时间分辨率的神经成像技术。在这里,我们使用密集的脑电图,EEG,源连接方法来识别具有良好的时间分辨率的皮层网络,在毫秒级。我们在图片命名任务中识别功能网络。两类视觉刺激,有意义的(工具,动物)和无意义的(混乱)的对象。在本文中,我们报告了有意义和无意义的对象的脑网络模块化的重构。结果表明,有意义的对象的网络比无意义的对象的网络更模块化。在这两种情况下,腹侧视觉通路的网络被激活。然而,对于有意义的对象,枕颞功能连接较强,而对于无意义的对象,枕颞功能连接较弱。我们相信,这种方法将提供新的见解,在快速信息处理的大脑网络的动态行为。
2016-07-02 q-bio.NC
Information Processing in Brain Microtubules
心智模型是基于大脑微管中计算的可能性。从这个角度来看,信息处理是理解产生意识的大脑机制的基本问题。细胞骨架聚合物可以通过机械能介导的动态耦合来存储和处理信息。我们分析了大脑微管中的信息传递和存储问题,认为它们是一个通信通道。我们讨论了假设意识是由亚神经元过程产生的影响。
2005-01-18 q-bio.NC q-bio.SC quant-ph
Learning High-Order Relationships with Hypergraph Attention-based Spatio-Temporal Aggregation for Brain Disease Analysis
针对现有脑疾病分析方法依赖预定义超图、忽略时间信息的局限,提出联合学习高阶脑结构及时空动态的超图注意力框架,在fMRI基准数据集上性能优于现有方法,为脑网络建模和神经精神疾病研究提供新见解。
2025-05-17 q-bio.NC
Nonlinear brain dynamics and many-body field dynamics
我们报告了对参与与环境行为交换的受试者的大脑活动的测量。我们观察到的大脑状态的特点是协调振荡的群体的神经元,正在迅速变化的主题和它的环境之间的有意义的关系,建立和维持主动感知的演变。在条件刺激和条件反应的发作之间,在训练过的动物的感觉皮层中发现的具有高信息含量的神经活动的顺序空间模式类似于电影画面。它们不容易用经典的积分微分方程或神经网络的矩阵代数来描述。它们的模型由凝聚态物理学的场论提供。
2005-07-10 q-bio.NC q-bio.OT
Reduced Gibbs free energy supply hinders brain information processing during mental fatigue
Medical University of Varna(瓦尔纳医科大学)
该研究通过计算建模发现,精神疲劳时ATP水解供能减少会损害蛋白质α-螺旋的酰胺I激子协同效应,改变神经元电生理特性,削弱大脑信息处理能力,建议智力工作中间歇性恢复以保护健康和生产力。
2026-08-12 q-bio.NC
The information content of brain states is explained by structural constraints on state energetics
沿着大脑结构连接体的信号传播引起活动模式的变化。这些活动模式定义了整体大脑状态,并包含与其预期发生概率一致的信息。结构连接体与动力学相结合,决定了一组可能的大脑状态,并限制了可访问状态之间的转换。然而,这些结构性的约束状态转换如何涉及到他们的信息内容仍然是未知的。为了解决这一知识差距,我们将信息内容定义为激活分布的函数,其中统计上罕见的激活值对应于高信息内容。有了这个数字定义在手,我们研究了时空分布的信息内容的fMRI数据从人类连接组计划在不同的任务,并报告四个关键的发现。首先,信息内容强烈依赖于认知任务。第二,虽然信息内容显示出与其他大脑活动测量的相似性,但它与应用于fMRI数据的一般线性模型生成的Neurosynth图和任务对比图不同。第三,大脑的结构布线限制了控制其状态的成本,其中过渡到高信息含量状态的成本大于过渡到低信息含量状态的成本。最后,所有的状态转换,特别是那些高信息含量的状态,都比随机网络空模型的预期成本低,从而表明大脑的显着效率。总之,我们的发现在大脑状态中包含的信息与达到该状态的能量成本之间建立了解释性联系,从而为我们理解大规模认知计算奠定了重要基础。
2023-03-15 physics.bio-ph q-bio.NC
Quantum information theoretic approach to the mind-brain problem
脑由电可兴奋的神经元网络组成,这些神经元网络由电压门控离子通道的活性调节。然而,进一步描绘大脑的分子组成,将不会揭示任何让人想起感觉、感觉或意识体验的东西。在经典物理学中,解决心灵-大脑问题是一项艰巨的任务,因为没有物理机制能够解释大脑如何产生不可观察的、内在的意识体验心理世界,以及这些意识体验如何反过来引导潜在的大脑过程走向期望的行为。然而,这个挫折并不能证明意识是非物质的。现代量子物理学确认了希尔伯特空间中两种类型的物理实体之间的相互作用:不可观测的量子态,这是描述物理世界中存在的矢量,量子可观测量,这是描述量子测量中可以观察到的操作符。量子不去定理进一步提供了一个研究量子脑动力学的框架,它必须由物理上可接受的哈密顿量来控制。包含整合在量子大脑状态中的不可观察的量子信息的意识解释了意识体验的内在隐私的起源,并重新审视了意识过程到神经生物分子的皮秒构象转变的动态时间尺度。因此,可观测大脑是一个由经典信息比特创建的客观结构,这些信息比特受到Holevo定理的约束,并通过测量量子大脑的可观测量获得。因此,量子信息理论澄清了不可观察的心灵和可观察的大脑之间的区别,并为意识研究提供了坚实的物理基础。
2020-12-13 q-bio.NC quant-ph
Do Brain Networks Evolve by Maximizing their Information Flow Capacity?
我们提出了一个工作的假设支持的数值模拟,大脑网络的基础上发展的原则,最大限度地提高其内部的信息流容量。我们发现,进化网络的同步行为和信息流的能力很好地再现了在秀丽隐杆线虫和人类的大脑动力学网络中观察到的相同行为,Hindmarsh-Rose神经元网络与这些大脑网络给出的图形。我们做了一个强有力的情况下,以验证我们的假设,显示与秀丽隐杆线虫和人类的大脑网络的最接近的图形距离的神经网络的Hindmarsh-Rose神经网络进化的耦合强度,最大限度地提高信息流的容量。令人惊讶的是,我们发现,在大脑进化过程中,全局神经同步水平下降,反映了一个潜在的全局非赫布样进化过程,这是由进化过程中的一些集群的非赫布样学习行为驱动的,而神经元增加同步的集群的赫布样学习规则。
2015-07-28 q-bio.MN q-bio.NC
Evaluating performance of neural codes in model neural communication networks
信息需要适当地编码,才能在物理介质上可靠地传输。同样,神经元也有自己的代码来传达大脑中的信息。尽管众所周知,神经元使用多个时空编码协议来交换信息,但每个代码的适用性及其作为网络参数和外部刺激的函数的性能仍然是神经科学中最大的谜团之一。本文揭示了这一点,通过建模化学和电耦合Hindmarsh-Rose尖峰神经元的小规模网络。我们专注于一类的时间和发射率代码,导致神经元的膜电位和相位,并量化其性能估计的互信息率,又名信息交换的速率。我们的研究结果表明,发射率和尖峰间隔码是更强大的加性高斯白噪声。在四个相互连接的神经元的网络中,在没有这种噪声的情况下,具有最大的信息交换速率的神经元对使用尖峰间期和发射速率代码在网络中不相邻,而尖峰定时和相位代码(时间)促进相邻神经元的大的信息交换速率。如果这一结果可以扩展到更大的神经网络,那么它将表明小型微电路将更好地使用时间代码(尖峰定时和相位代码)交换信息,而在宏观尺度上,由于大脑的稀疏性,通常会有神经元对不直接连接,发射率和尖峰间隔代码将是最有效的代码。
2018-10-17 q-bio.NC
Language models and brains align due to more than next-word prediction and word-level information
MPI for Software Systems(马克斯·普朗克软件系统研究所)
该研究通过两种扰动对比实验证明,语言模型与大脑记录一致性的提升不仅来自下一词预测和词级信息的改进,还存在其他重要共享机制。
2024-10-03 cs.CL q-bio.NC
Volume entropy and information flow in a brain graph
熵是一种经典的度量,用来量化系统的信息量或复杂性。在大脑网络分析中提出了各种基于熵的测量方法,例如功能熵和谱熵。然而,它们的使用不如传统的图论度量(如全局和局部效率)广泛,因为它们在图上没有很好的定义,或者难以解释其生物学意义。在本文中,我们提出了一个新的基于熵的图不变量,称为体积熵。它测量图中路径数量的指数增长率,如果信息永远流过图,这是一个相关的度量。我们通过与加权边转移矩阵相关联的广义马尔可夫系统对图上的信息传播进行建模。利用广义马尔可夫系统的平稳方程估计了体积熵。使用平稳方程的一个突出优点是,它在大脑图的边缘上分配了一定的权重分布,我们称之为平稳分布。平稳分布显示了大脑图上边缘的信息容量和信息流的方向。仿真结果表明,体积熵区分底层图的拓扑和几何比现有的图的措施。在脑成像数据应用中,脑图像的体积熵与20 ~ 60岁的健康正常年龄显著相关。此外,信息传播的平稳分布为功能脑图的信息流提供了一个新的视角。
2018-03-07 q-bio.NC q-bio.QM
On the Theoretical Possibility of Quantum Visual Information Transfer to the Human Brain
自量子理论问世以来,波函数坍缩在人脑中的可行性一直是科学界激烈争论的主题。像冯·诺依曼、伦敦、鲍尔和维格纳这样的科学家(最初)认为,波函数坍缩发生在大脑中,或者是由观察者的思想引起的。这是一个合理的问题,问人脑如何能够接收微妙的外部视觉量子信息完好无损时,它必须通过非常嘈杂和复杂的途径从眼睛到大脑?有几种方法来研究大脑中的信息处理,每一种方法都提出了一套不同的结论。彭罗斯和哈默罗夫假设,人脑内部存在量子信息处理过程,人脑的物质基底涉及微管,意识是这些结构中发生的集体波函数坍缩的结果。相反,Tegmark指出,由于热退相干,大脑神经元中不可能有任何量子处理,大脑中的处理必须是认知过程的经典。然而,Rosa和Faber提出了一个中间道路的论点,这表明以前的作者都不是完全正确的,尽管存在退相干,但仍然可以将大脑视为量子系统。此外,Thahold已经得出结论,光子的量子态在人眼中确实崩溃,并且在大脑中不存在视觉量子态崩溃的可能性,因此在大脑中不存在量子态减少的可能性。在本文中,我们的结论是,如果我们接受的主要本质的上述方法一起,他们中的每一个可以提供一个不同的部分的隐形传态机制。
2010-12-13 q-bio.NC quant-ph
A principled framework to assess the information-theoretic fitness of brain functional sub-circuits
本文利用随机块模型提出一个原则性框架,量化预定功能网络映射到个体功能连接组时的信息论适应性,优化FC粒度、FN划分与阈值策略,并在Human Connectome Project上验证了0.25阈值的合理性。
2024-07-23 q-bio.NC
Behavior measures are predicted by how information is encoded in an individual's brain
Carnegie Mellon University(卡内基梅隆大学)
与心血管和肌肉骨骼系统熟练程度的差异如何预测个人的运动能力类似,同一大脑区域编码信息的方式在不同个体之间的差异可能会解释他们的行为。然而,在研究大脑如何编码信息时,研究人员选择了不同的神经成像任务(例如,语言或运动任务),其可以依赖于处理不同类型的信息并且可以调节不同的大脑区域。我们假设,信息在大脑中编码方式的个体差异是特定于任务的,并预测不同的行为措施。我们提出了一个框架,使用编码模型来识别大脑编码的个体差异,并测试这些差异是否可以预测行为。我们使用任务功能磁共振成像数据来评估我们的框架。我们的研究结果表明,编码模型揭示的个体差异是预测行为的一个强大的工具,研究人员应该优化他们的任务和编码模型的选择,他们感兴趣的行为。
2021-12-11 cs.LG eess.IV q-bio.NC
Interpretable Information-Decomposed Brain Graph Learning for fMRI-based Disease Diagnosis
School of Mathematics and Statistics, Shandong University(山东大学数学与统计学院);Data Science Institute, Shandong University(山东大学数据科学研究院);Academy of Mathematics and Systems Science, University of Chinese Academy of Sciences(中国科学院大学数学与系统科学研究院)
该研究针对fMRI疾病诊断中传统方法的不足,提出可解释图学习框架IID-GCN,分解rs-fMRI交互为三类信息图,整合后在三个数据集上捕捉到更优诊断信息,揭示脑疾病对功能信息组织的重塑作用。
2026-08-24 cs.LG q-bio.NC
Applications of fMRI for Brain Mapping
脑成像技术已被证明是了解大脑的分子,细胞和功能机制至关重要。正常的解剖成像可以提供关于大脑中某些异常的结构信息。然而,有许多神经系统疾病,只有结构研究是不够的。在这种情况下,需要研究大脑的功能组织。此外,有必要研究正常和患病条件下的脑功能。脑图谱技术可以帮助获得关于这些问题的有用和重要的信息。脑功能和负责特定活动的脑区,如运动,感觉语言和记忆过程可以进行研究。作者提供了各种脑映射技术和功能磁共振成像信号处理方法的概述。
2012-12-27 cs.ET q-bio.NC
Functional optimality of the sulcus pattern of the human brain
我们开发了一个数学模型的信息传输通过生物神经网络的人类大脑。大脑的整体功能包括通过神经网络传播信息所产生的紧急过程。因此,大脑的容量与它通过神经网络传输信息的速率有关。所考虑的特定传输模型允许信息沿着皮层点之间的多个路径传输。由此产生的传输速率由势理论决定。根据这一理论,大脑具有与经典Steklov特征值问题的特征函数相对应的优选和量化的传输模式,其中倒数特征值量化相应的传输速率。我们以该模型为基础来检验假设,即人类大脑的沟模式已经进化到最大限度地提高大脑皮层中点之间的信息传输速率。我们表明,在一个其他方面顺利域的沟,或削减的引入确实增加了整体传输率。我们证明了这一结果的数值实验与一个球形域与不同数量的狭缝在其表面上。
2018-01-18 physics.bio-ph q-bio.NC
Intelligence as information processing: brains, swarms, and computers
Lakeside Labs GmbH(湖畔实验室有限公司)
关于智能没有一个统一的定义,所以简单地问大脑、蜂群、计算机或其他系统是否智能是有问题的。为了比较不同认知系统所表现出的潜在智能,我使用了人工智能和人工生命常用的方法:让我们专注于它们的组织,而不是研究系统的底层。这个组织可以用信息来衡量。因此,我应用信息主义认识论来描述认知系统,包括大脑和计算机。这使我能够在不同的背景下框架脑机类比的有用性和局限性。我也用这个观点来讨论智能的进化和生态。
2021-08-09 cs.AI cs.IT math.IT
Pattern-wave model of brain. Mechanisms of information processing, memory organization
大脑神经元的轴突-树突连接的结构创建了丰富的空间结构,其中提供了围绕神经元的信号的各种组合。树突树的结构和树突棘的形状允许通过交叉突触影响相邻神经元来反复增加组合成分。在本文中,它表明,扩散扩散的神经递质允许神经元检测和记忆显着的一组环境活动模式。作为核心元件的固定描述了突触外代谢型感受簇。所描述的机制导致波过程的出现,基于自发活动的前线区域的传播。在所提出的模型中,任何紧凑的神经活动模式被视为一个源发射发散波内源性尖峰。它表明,尖峰模式的波前是严格唯一的和唯一定义的模式,开始波。波的传播具有独特的模式,可以让自然界中任何地方都能经历脑电波模式,从而判断整个大脑处理信息。在这些假设中,自然描述了皮质区域之间的投射信息的机制。计算机模拟结果表明,该信息模型具有较高的有效性.
2014-07-24 cs.AI q-bio.NC
Adaptive Decoding via Hierarchical Neural Information Gradients in Mouse Visual Tasks
School of Computer Science, Wuhan University(武汉大学计算机学院)
本文提出自适应拓扑视觉变换器(AT-ViT),通过分层神经信息梯度实现小鼠视觉任务中的自适应解码,验证了视觉系统脑区信息层次的可量化性。
2025-10-10 cs.NE q-bio.NC
An Adaptively Weighted Averaging Method for Regional Time Series Extraction of fMRI-based Brain Decoding
针对fMRI脑解码中传统脑区时间序列平均法忽略空间信息的问题,提出与解码器联合训练的自适应加权体素平均方法,在HCP数据集上实现准确率最高提升5%,可完善fMRI处理基础流程。
2024-07-11 cs.HC q-bio.NC
Is Information in the Brain Represented in Continuous or Discrete Form?
大脑中的连续信息表征与离散信息表征的问题是一个尚未解决的基本问题。从历史上看,大多数分析假设连续表示,而不考虑离散的替代方案。我们的工作探讨了两者的兼容性,从通信系统工程的角度回答了这个问题。利用香农的通信理论,我们证明了大脑中的信息是以离散形式表示的。我们使用两种方法来解决这个假设。首先,我们确定大脑的基本通信需求。其次,我们估计的符号错误概率和信道容量的连续信息表示。我们的工作得出结论,信息不能在大脑中使用连续的表示进行可靠的交流和表示-它必须以离散的形式存在。这是与传统和当前智慧的重大区别。我们将这一离散结果应用于4个主要的神经编码假设,并说明了离散ISI神经编码在分析电生理实验数据中的应用。我们进一步解释并说明了韦伯定律和离散神经编码之间的合理直接联系。最后,我们概述了一些关键的离散神经编码的研究问题。
2020-09-16 cs.IT math.IT q-bio.NC
The Global Dynamical Complexity of the Human Brain Network
大型大脑网络作为一个整体整合了多少信息?这种网络的动态复杂性能否以信息论的方式进行全局量化,并与大脑功能进行有意义的耦合?最近,已经提出了动态复杂性的措施,如集成信息。然而,与这些措施相关的分区的标准化和贝尔数相关的问题使得这些方法在计算上对于大规模大脑网络是不可行的。我们这项工作的目标就是解决这个问题。我们制定的网络集成信息是基于网络状态集上的多变量分布与其部分上的相应因子分解分布之间的Kullback-Leibler分歧。我们发现,实现最大信息分区优化计算。这些方法非常适合于具有线性随机动态的大型网络。我们计算的综合信息,系统的吸引子状态,以及网络的非平稳动态状态。然后,我们将这种形式主义应用于大脑网络,以计算人脑连接体的整合信息。与随机重新布线的网络相比,我们发现大脑的特定拓扑结构产生更大的信息复杂性。
2016-12-21 cs.IT math.DS math.IT
Advances in Shannon-Based Communications and Computations Approaches to Understanding Information Processing in the Brain
本文是对最近发表的呼吁参与研究主题[1]的补充,该主题是为了纪念香农1948年开创性论文75周年[2]。在这里,我们包括一些关键和相关文献的引用,这些文献反映了我们对拟议主题的意见/观点,并作为潜在提交的指导。
2022-03-17 cs.IT math.IT q-bio.NC
Unveiling the mystery of visual information processing in human brain
人们普遍认为,人类视觉是一个极其强大的信息处理系统,它促进了我们与周围世界的互动。然而,尽管广泛和广泛的研究努力,其中包括许多探索领域,在人类大脑中的视觉信息处理的基本原理和操作原则仍然未知。我们仍然无法弄清楚从眼睛到大脑皮层的路径上,视网膜感知到的感觉输入在哪里以及如何转换成有意义的物体表征,这可以被大脑有意识地操纵。在研究了大量有关大脑信息处理各个方面的文献后,我惊讶地发现,那些受人尊敬的学术讨论对基本的主题问题完全漠不关心:“什么是信息?或者“什么是视觉信息?“尤其是。在过去,人们认为任何科学研究方法都必须首先确定其基本出发点。为什么在大脑信息处理研究中它被忽视了仍然是一个谜。在本文中,我试图为这种奇怪的情况找到一种补救办法。我提出了一个不寻常的定义的“信息”,它可以从Kolmogorov的复杂性理论和Chaitin的概念的计算机信息。接受这一新定义将不可避免地导致对传统教条的修正,这些教条塑造了大脑信息处理研究的艺术状态。我希望这一修订将更好地服务于人类视觉信息处理建模的挑战性目标。
2008-07-02 cs.AI cs.IR cs.IT
STN: a new tensor network method to identify stimulus category from brain activity pattern
Peking University(北京大学);Meta Inc.(元宇宙公司);Beijing Normal University(北京师范大学)
神经解码仍然是神经计算科学中的一个挑战和热点。近年来,许多研究表明,脑网络模式包含着丰富的时空结构信息,代表着大脑在外界刺激下的激活信息。因此,从脑网络中解码刺激的研究受到了广泛的关注。传统的方法直接从常用的机器学习方法中提取脑网络特征,然后将这些特征输入到分类器中,实现对外部刺激的解码。然而,该方法不能有效地提取隐藏在大脑网络中的多维结构信息。张量研究表明,张量分解模型可以充分挖掘多维结构数据中独特的时空结构特征。本研究提出了一种基于张量分解思想和刺激类别约束信息的刺激约束张量脑模型。该模型在真实的神经影像数据集(MEG和fMRI)上进行了验证。实验结果表明,在两种模态数据集上,与其他方法相比,该模型的精度矩阵分别提高了11.06%和18.46%。这些结果表明,在提取判别特征方面,特别是在解码含有语义信息的目标刺激时,基于语义模型的判别特征提取方法具有优越性。
2022-11-23 cs.AI cs.CV q-bio.NC
Are EEG functional networks really describing the brain? A comparison with other information-processing complex systems
本研究通过深度学习分类模型比较脑功能网络与其他复杂系统网络,发现其高度相似,表明功能网络反映通用信息处理机制而非人脑独特性,并讨论了相关影响与未来方向。
2025-05-23 physics.data-an q-bio.NC
A Structure-guided Effective and Temporal-lag Connectivity Network for Revealing Brain Disorder Mechanisms
脑网络为许多脑疾病的诊断提供了重要的见解,如何有效地对脑结构进行建模已成为脑成像分析领域的核心问题之一。最近,已经提出了各种计算方法来估计因果关系(即,有效连接)之间的大脑区域。与传统的基于相关性的方法相比,有效的连通性可以提供信息流的方向,这可能为脑部疾病的诊断提供额外的信息。然而,现有的方法要么忽略了大脑区域之间的信息传输存在时间滞后的事实,要么简单地将所有大脑区域之间的时间滞后值设置为固定值。为了克服这些问题,我们设计了一个有效的时间滞后神经网络(简称ETLN),同时推断的因果关系和大脑区域之间的时间滞后值,它可以在一个端到端的方式进行训练。此外,我们还介绍了三种机制,以更好地指导大脑网络的建模。在阿尔茨海默病神经影像学倡议(ADNI)数据库上的评估结果证明了该方法的有效性。
2022-12-01 cs.AI eess.IV q-bio.NC
Joint processing of linguistic properties in brains and language models
Inria Bordeaux(法国国家信息与自动化研究所波尔多分部);MPI for Software Systems(马克斯·普朗克软件系统研究所);Microsoft(微软)
本文通过消除语言模型表征中的表层、句法和语义信息,评估其与fMRI大脑记录对齐的变化,证明各类语言属性均有作用且句法属性影响最大。
2023-11-08 cs.CL q-bio.NC
Information dynamics of $in\; silico$ EEG Brain Waves: Insights into oscillations and functions
本文通过整合信息分解(Φ-ID)分析E/I平衡IF网络产生的硅基脑电波,揭示了不同节律在信息传递、存储上的差异,并指出信息动力学可帮助区分生理性与病理性振荡。
2024-08-01 cond-mat.dis-nn q-bio.NC
Information transfer of an Ising model on a brain network
我们实现了伊辛模型的结构连接矩阵描述的大脑在一个粗略的规模。将模型温度调整到临界值,即在磁化率峰处,我们发现自旋变量之间的总信息传递量最大。在这一点上,一些节点可以重新分配的信息量达到了极限,网络动态表现出边际收益递减规律的特征,这是与饱和生产水平相关的基本原则。我们的研究结果扩展了最近对连接体结构的动态振荡器模型的分析,考虑到滞后和方向的影响,只关注更容易成为信息瓶颈的节点。在每个节点处的传出和传入信息之间的比率与传入链路的数量有关。
2013-09-01 cond-mat.dis-nn physics.data-an q-bio.NC
Why the Brain Cannot Be a Digital Computer: History-Dependence and the Computational Limits of Consciousness
本文以信息论方法量化可区分意识状态及其历史依赖,证明指定意识状态所需信息超过人脑容量,从而否定大脑等同经典数字计算机,并指向非经典信息处理机制。
2025-03-13 cs.AI physics.hist-ph q-bio.NC
Visual representations in the human brain are aligned with large language models
Institute of Cognitive Science, University of Osnabrück(奥斯纳布吕克大学认知科学研究所);Donders Institute for Brain, Cognition & Behaviour(唐德斯脑、认知与行为研究所);Department of Psychology, University of Minnesota(明尼苏达大学心理学系);Graduate Program in Cognitive Science, University of Minnesota(明尼苏达大学认知科学研究生项目);Department of Neuroscience, University of Minnesota(明尼苏达大学神经科学系);Université de Montréal(蒙特利尔大学);Center for Human Brain Health, School of Psychology, University of Birmingham(伯明翰大学心理学院人类大脑健康中心)
该研究证明大语言模型对场景描述的嵌入能有效建模人脑视觉活动,且可重建场景描述,并发现将图像转换为LLM表征的深度网络比众多最先进模型更符合大脑表征。
2024-07-06 cs.CV cs.LG q-bio.NC
Informational non-reductionist theory of consciousness that providing maximum accuracy of reality prediction
Sobolev Institute of Mathematics(索伯列夫数学研究所)
本文提出一种不可还原的意识的非还原论理论,遵循D.I.Dubrovsky的信息方法,通过所观察现象的信息视角考察现实,并指出大脑通过发现外部世界所有可能的因果关系进行推断,从而确保最高预测准确度并解释大脑功能系统的结构与运作。
2023-12-10 cs.AI q-bio.NC
Advances in Artificial Intelligence: Are you sure, we are on the right track?
在过去的十年里,AI取得了令人瞩目的进步。人们一致认为,这是由于最近复兴的深度学习技术。深度学习能够使用简化的神经元网络来处理大量数据,这些神经元网络模拟大脑的工作方式。然而,有一种不同的观点,认为大脑是在处理信息,而不是数据。这种未解决的二元性阻碍了人工智能的发展多年。在本文中,我提出了一个集成信息的概念,希望能解决这个问题。我认为集成信息是两个独立实体之间的耦合-物理信息(意味着数据处理)和语义信息(提供物理信息解释)。在这方面,智能成为信息处理的产物。进一步延伸这条思路,可以说信息处理不需要更多的人脑来实现。事实上,细菌和变形虫在没有大脑的情况下也表现出了智能行为。这极大地消除了人工智能系统模仿人类大脑复杂性的需要!本文试图探讨人工智能系统设计理念的这种转变。
2015-02-17 cs.AI q-bio.NC
Forecasting Brain Activity Based on Models of Spatio-Temporal Brain Dynamics: A Comparison of Graph Neural Network Architectures
理解神经动力学的时空特性之间的相互作用有助于我们理解人脑中的信息处理。图神经网络(GNN)提供了一种新的可能性,解释图结构的信号,如在复杂的大脑网络中观察到的。在我们的研究中,我们比较了不同的时空GNN架构,并研究了它们对功能性MRI(fMRI)研究中获得的神经活动分布进行建模的能力。我们评估了GNN模型在MRI研究中各种场景下的性能,并将其与VAR模型进行了比较,该模型目前常用于定向功能连接分析。我们表明,通过学习局部功能相互作用的解剖基板,GNN为基础的方法能够强大的规模,大型网络研究,即使在可用的数据是稀缺的。通过将解剖连接性作为信息传播的物理基础,这种GNN还提供了关于定向连接性分析的多模态视角,为研究大脑网络中的时空动态提供了新的可能性。
2022-04-28 q-bio.NC stat.ML
How Much is Brain Data Worth for Machine Learning?
Neuroscience Institute, Carnegie Mellon University, Pittsburgh, PA, USA(卡内基梅隆大学神经科学研究所);Department of Machine Learning, Carnegie Mellon University, Pittsburgh, PA, USA(卡内基梅隆大学机器学习系);NSF AI Institute for Artificial and Natural Intelligence (ARNI)(国家科学基金会人工智能与自然智能研究所);Carnegie Mellon University, Pittsburgh, PA, USA(卡内基梅隆大学);CUNY Graduate Center, New York, NY, USA(纽约市立大学研究生中心)
本文通过数学建模探讨脑数据与任务数据在机器学习中的价值与交换率,分析不同条件下脑数据对模型性能的提升作用。
2026-05-10 cs.AI q-bio.NC
Optimal Transport for Brain-Image Alignment: Unveiling Redundancy and Synergy in Neural Information Processing
University of Tulsa(图拉大学);Tsinghua University(清华大学);Clemson University(克莱姆森大学);The University of Arizona(亚利桑那大学)
本文提出基于最优传输的脑图像对齐方法,替代均方误差实现全局匹配,控制传输量抑制冗余,应用于脑字幕生成,在十项指标上超越先前最佳,并揭示大脑信息处理的冗余与协同。
2025-10-06 cs.AI cs.CV cs.LG
Cross-Modal Transformer GAN: A Brain Structure-Function Deep Fusing Framework for Alzheimer's Disease
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院)
不同类型的神经影像学数据的跨模态融合已经显示出预测阿尔茨海默病(AD)进展的巨大希望。然而,现有的神经影像学方法不能有效地融合多模态神经影像的功能和结构信息。提出了一种新的跨模态Transformer生成对抗网络(CT-GAN),用于融合静息态功能磁共振成像(rs-fMRI)中的功能信息和扩散张量成像(DTI)中的结构信息。所开发的双注意机制可以有效地匹配功能信息和结构信息,并最大限度地提高从rs-fMRI和DTI中提取互补信息的能力。通过捕捉结构特征和功能特征之间的深层互补信息,CT-GAN可以检测与AD相关的脑连接,这可以用作AD的生物标志物。实验结果表明,该模型不仅可以提高分类性能,而且可以有效地检测与AD相关的大脑连接。
2022-07-14 cs.CV cs.LG eess.IV