Neuro-PC: Causal Functional Connectivity from Neural Dynamics
功能性连接组是解剖学连接组的延伸,它根据神经元的活动和相互作用来捕捉神经元之间的关系。当这些关系是因果关系时,功能性连接体映射神经活动如何在神经回路内流动,并提供推断功能性神经通路(例如感觉-运动-行为通路)的可能性。虽然存在各种信息的方法来非因果估计的功能连接,方法的特点是因果功能连接-神经元时间序列之间的因果关系,是稀缺的。在这项工作中,我们开发了Neuro-PC算法,这是一种新的方法,用于从多维时间序列(如神经元记录)推断神经元之间的因果功能连接。我们的方法的核心依赖于PC算法,一个国家的最先进的统计因果推理的方法,神经动力学的多维时间序列的一种新的适应。我们验证的性能的网络模体的神经元之间的各种相互作用模拟使用连续时间的人工神经元网络的方法。然后,我们考虑应用该方法获得因果功能连接体的最近的多阵列电生理记录从小鼠视觉皮层在不同的刺激的存在下。我们展示了如何映射的功能可以用于量化不同刺激的神经反应之间的相似性。
2020-11-08 q-bio.NC
Normative atlases of neuroelectric brain activity and connectivity from a large human cohort
脑磁图(MEG)记录从一个大的规范性队列(n = 619)进行处理,以提取区域神经电活动的措施。这项工作的总体目标是使用这些措施来确定正常的人类神经电脑功能。其目的是(a)识别和测量群体共有的神经电特性的值和范围,(b)识别和测量区分个体的神经电特性的值和范围,以及(c)识别测量与个体特性(例如性别、生物学年龄和睡眠症状)的关系。我们希望,将由此产生的既定规范与有症状个体的记录进行比较,将使我们对病理学的理解取得进展。静息和任务条件下的MEG记录由剑桥(英国)老龄化和神经科学中心第2阶段队列研究提供。使用Reynolds一致性处理来定位和验证神经电流,对于每种p < 10-12,当校正多重比较时,对于每种p < 10-4。受试者内的区域活动和连接性的比较产生了大量可靠的测量,详细说明了个体之间的差异,每次比较p < 10-8,当校正为总共5 x 105次比较时,每次p < 0.005。群体范围内的区域比较(每个区域的p < 10-8)产生了大量的测量结果,这些测量结果是优势个体所共有的,详细说明了大脑功能的规范性共性。区域灰质(细胞)与白质(通讯纤维)活动的比较产生了强大的差异,整个群体和每个人。这些结果验证了结果的高空间分辨率,并建立了从白质获得神经电测量的前所未有的能力。
2018-11-17 q-bio.NC
Random neural networks match observed dimensionality of neural population recordings and motivate stronger experimental tests
Emory University(埃默里大学)
通过将有限测量时间和行为上下文变异性纳入动态平均场理论,证明随机神经网络预测的维度与大规模记录一致,并指出流形方向相似性比维度对网络结构更敏感。
2026-05-26 cond-mat.dis-nn physics.bio-ph q-bio.NC
Linking connectivity, dynamics and computations in low-rank recurrent neural networks
大规模的神经记录已经确定,感官刺激转化为运动输出依赖于低维动力学在人口水平,而个别神经元表现出复杂的选择性。理解混合分布式表征的低维计算如何从皮层网络的递归连接和输入结构中产生是一个重大挑战。在这里,我们研究了一类循环网络模型,其中的连通性是一个随机部分和一个最小的,低维结构的总和。我们表明,在此类网络中,动力学是低维的,并且可以使用几何方法直接从连通性推断。我们利用这种理解来确定实现特定计算所需的最小连接,并发现动态范围和计算能力随着连接结构的维数迅速增加。这个框架产生可测试的实验预测的连接,低维动力学和记录的神经元的计算功能之间的关系。
2018-08-28 q-bio.NC
A mathematical perspective on edge-centric brain functional connectivity
边缘时间序列越来越多地用于脑功能成像,以最好的时间分辨率研究节点功能连接(nFC)动态,同时避免滑动窗口。在这里,我们奠定了神经成像时间序列的边缘为中心的分析的数学基础,解释了为什么一些高振幅的协同波动驱动跨数据集的nFC。我们的论述也构成了现有的边缘为中心的研究的批评,表明他们的主要研究结果可以来自nFC下的静态零假设,无视时间的相关性。对来自人类连接组项目的功能性MRI数据的分析预测进行测试证实,nFC可以解释边缘FC矩阵、边缘社区、大的协同波动和相应的空间模式中的大多数变化。我们鼓励在未来的研究中使用动态措施,利用边缘时间序列的时间结构,不能被静态空模型复制。
2022-07-14 physics.data-an q-bio.NC
Homogenized $\textit{C. elegans}$ Neural Activity and Connectivity Data
针对秀丽隐杆线虫现有神经生理数据集格式不统一、连接组数据需预处理的问题,研究整合12项神经成像实验和9份连接组注释,经标准化流程构建同质化数据集并在HuggingFace开放,助力神经系统结构-功能关系研究。
2025-05-19 q-bio.NC
Circumstantial evidence and explanatory models for synapses in large-scale spike recordings
本文探讨如何仅凭脉冲序列记录研究神经元间突触连接,提出系统性评估旁证的方法,并展示突触效应模型如何为成对脉冲统计提供可检验预测,从而拓展大规模脉冲记录的数据分析问题。
2023-11-25 q-bio.NC
Bayesian methods for event analysis of intracellular currents
神经回路功能的研究通常需要对阈下电生理记录中的事件进行统计解释。这个问题是重要的,因为记录可能具有中等水平的结构化噪声,并且事件可能具有不同的动力学。此外,结合光学和电生理方法的新实验设计将依赖于结合多模态数据的统计工具。我们提出了一个贝叶斯方法推断的时间,强度和动力学的突触后电流(PSC)从电压钳记录在每个事件的基础上。简单的生成模型,一个单一的电压钳记录灵活地扩展到包括网络级的结构,使实验设计探测突触连接。我们验证了模拟和真实数据的方法。我们还表明,扩展的基本PSC检测算法可以处理记录污染的光学诱发电流,我们模拟的情况下,钙成像观察,可用于一个子集的神经元,可以与电生理数据融合,以实现更高的时间分辨率。我们将这种方法应用于模拟和真实的地面实况数据,以证明其在检测小信噪比事件方面具有更高的灵敏度,并且与检测PSC的标准方法相比,其对噪声的鲁棒性有所提高。新的贝叶斯事件分析方法的电生理记录,应允许更好地估计的生理参数在更多变的条件下,并帮助支持新的实验设计电路映射。
2016-05-18 q-bio.NC q-bio.QM stat.AP
Interactive Web Application for Exploring Matrices of Neural Connectivity
我们在这里提出了一个基于浏览器的应用程序,用于可视化具有大量成对关系的3D堆叠数据矩阵中的连接模式。可视化连接矩阵,寻找趋势和模式,并动态地操纵这些值是来自不同领域的科学家面临的挑战,包括神经科学和基因组学。特别是,高维神经数据包括通过脑电图(EEG),皮层电图(ECoG),脑磁图(MEG)和功能MRI采集的数据。神经连接数据包含不同大脑区域之间每个边缘的多变量属性,这促使我们开发轻量级,开源,易于使用的可视化工具来探索这些连接矩阵,以突出感兴趣的连接。在这里,我们提出了一个客户端,移动兼容的可视化工具,完全在HTML5/JavaScript,允许在浏览器中操作用户定义的文件,探索大脑的连接。可视化可以在不同的维度上同时突出显示数据的不同方面。输入文件是JSON格式的,并且已经编写了自定义Python脚本来将MATLAB或Python数据文件解析为JSON-JSON格式。我们展示了通过人类ECoG记录获取的连接数据的分析,作为我们的应用程序的特定领域的实现。我们设想这种交互式工具在寻求可视化成对连接领域的应用。
2017-02-21 q-bio.NC
Algebraic identification of the effective connectivity of constrained geometric network models of neural signaling
由神经元和胶质细胞相互连接组成的细胞神经回路和网络对脑中与信息处理相关的信息处理起着重要作用。虽然有主要的努力旨在映射大脑网络的结构和(电)生理连接,如白宫大脑倡议旨在开发能够高密度神经记录的神经技术,但用于分析和理解所有这些数据的理论和计算方法似乎还远远落后。在这里,我们提出并提供了一个总结的方法来计算有效的连接神经网络活动的实验观察。该方法基于网络级数据,利用所有相关的先验知识,如网络中单个细胞的动态模型和网络的物理结构连接性,广泛适用于大类生物和非生物网络。
2015-05-15 physics.data-an q-bio.NC
Investigating Brain Connectivity with Graph Neural Networks and GNNExplainer
TU Dresden(德累斯顿工业大学);HZDR(亥姆霍兹德累斯顿罗森多夫研究中心);UKE(汉堡埃彭多夫大学医院)
功能连接在现代神经科学中起着至关重要的作用。该模式揭示了大脑的功能和结构方面,包括多种病理背后的机制。精神分裂症就是这样一种病理,它通常伴随着幻听。后者通常通过观察语音处理过程中的功能连接来研究。在这项工作中,我们通过深度学习对三组人进行了深入的功能连接检查:有和没有听觉言语幻觉的精神分裂症患者和健康对照组。我们提出了一个基于图神经网络的框架,在这个框架内,我们将EEG数据表示为图域中的信号。该框架允许1)基于EEG记录预测大脑精神障碍,2)区分每组的听力状态和休息状态,3)识别特征任务依赖性连接。实验结果表明,该模型可以区分上述群体与国家的最先进的性能。此外,它提供了一个有意义的信息,研究人员对每个群体的功能连接,我们验证了当前的领域知识。
2022-06-04 cs.LG q-bio.NC
Signal detection in extracellular neural ensemble recordings using higher criticism
大脑中的信息处理是由多个神经群体的协调行动进行的。获得洞察力的组织和动态的这些人群可以最好的研究与宽带颅内记录所谓的胞外场电位,反映神经元尖峰以及介观活动,如波,振荡,内在的大偏转,和多单位尖峰活动。这些信号对于我们理解神经元集合如何编码感觉信息以及这些信息如何整合到认知基础的大型网络中至关重要。上述原理现在被广泛接受,但是从复杂神经数据中提取信息的功效以及它们用于提高我们对神经网络的理解的应用关键地取决于数学处理步骤,其范围从噪声迹线中的动作电位的简单检测到将高级数学模型拟合到潜在地作为信息的内部处理基础的神经信号的不同模式,例如神经元间的相互作用。在这里,我们提出了一个强大的策略,用于检测信号的宽带和嘈杂的时间序列,如尖峰,尖波和多单位活动数据,这是完全基于固有的统计分布的记录数据。通过使用所谓的更高的批评-一个第二级的显着性测试程序比较观察到的显着性的分数与预期分数下的全局空-我们能够检测相关的噪声时间序列中的小信号,而无需事先滤波,去噪或数据回归。结果表明,在广泛的实验条件下的方法和多功能性的效率和可靠性,并建议适当的更高的批评,以表征神经元动力学没有事先操纵的数据。
2019-05-15 q-bio.NC q-bio.QM stat.AP
Connectivity Concepts in Neuronal Network Modeling
神经网络计算模型的可持续研究要求已发布的模型是可理解的,可重复的和可扩展的。数学概念和假设、算法实现或参数化的细节缺失或模糊性阻碍了进展。不幸的是,这样的缺陷是频繁的,原因之一是缺乏现成的适用标准和工具的模型描述。我们的工作旨在推进网络连接的完整和简洁的描述,同时也指导仿真软件和神经形态硬件系统中连接例程的实现。我们首先回顾了由计算神经科学社区在ModelDB和开源大脑库中提供的模型,并研究了相应的连接结构及其在手稿和代码中的描述。该审查包括不同层次的神经解剖细节的网络的连接,并揭示了如何在现有的描述语言和模拟器接口的连接抽象。我们发现,很大一部分已公布的连接性的描述是模糊的。在此基础上,我们推导出一组连接的概念,确定性和概率连接的网络,也解决网络嵌入度量空间。除了这些数学和文字的指导方针,我们提出了一个统一的图形符号的网络图,以促进直观的理解网络属性。代表性的网络模型的例子证明了实际使用的想法。我们希望所提出的描述将有助于在计算神经科学的神经元网络连接的明确的描述和可重复的实现。
2022-06-15 q-bio.NC
Bayesian Learning of Loglinear Models for Neural Connectivity
本文提出了一种贝叶斯方法来学习一组神经元的连接结构的配置频率的数据。这项研究的一个主要目的是提供统计工具,用于检测随着刺激的变化而发生的放电模式的变化。我们的框架并不局限于对相互作用的情况下,但广义的玻尔兹曼机模型,允许更高阶的相互作用。本文应用马尔可夫链蒙特卡罗模型合成(MC 3)算法搜索连通结构,并使用拉普拉斯方法来近似结构的后验概率。在合成数据上测试了方法的性能。该模型也适用于Vaadia在两种不同的注意力状态下的恒河猴视觉皮层中的几个神经元的多单元记录所获得的数据。结果证实了实验者的猜想,即不同的注意状态与不同的交互结构有关。
2013-02-13 cs.LG q-bio.NC stat.AP
Learning Cortico-Muscular Dependence through Orthonormal Decomposition of Density Ratios
Imperial College London(伦敦帝国学院);University of Florida(佛罗里达大学)
提出基于密度比正交分解的统计依赖估计器,从EEG与EMG信号学习特征函数等以建模皮层-肌肉振荡关系,解决了可解释性等问题,并能准确分类运动与受试者,揭示特定EEG通道激活。
2024-12-19 cs.AI eess.SP q-bio.NC
Self-Supervised Discovery of Neural Circuits in Spatially Patterned Neural Responses with Graph Neural Networks
Department of Electronic Engineering(电子工程系);Department of Artificial Intelligence(人工智能系);Hanyang University(翰阳大学)
本研究提出一种基于图神经网络的模型,通过自监督结构学习同时预测神经活动并推断潜在连接,在合成与真实数据上验证了其恢复准确连接权重的能力。
2025-10-25 cs.LG q-bio.NC q-bio.QM
Application of Time-Aware PC algorithm to compute Causal Functional Connectivity in Alzheimer's Disease from fMRI data
本研究应用Time-aware PC(TPC)算法从三组受试者的静息态fMRI数据推断全脑因果功能连接,识别出阿尔茨海默病导致改变的因果脑连接及受影响脑区,结果与临床文献一致。
2024-02-20 q-bio.NC q-bio.QM stat.AP
A mathematical model of reward and executive circuitry in obsessive compulsive disorde
控制强迫症和强迫行为的神经元回路涉及复杂的大脑区域网络(其中一些已知参与奖励处理)。其中包括皮质区、纹状体和丘脑(构成CSTC通路)、边缘系统区(如杏仁核和海马)以及多巴胺通路。这种大脑网络中的异常动态行为是焦虑和运动活动增加的患者的标志性特征,就像那些受强迫症影响的患者一样。目前还没有明确的理解是什么机制产生这些行为。我们试图通过一个控制奖励和动作执行的大脑回路的计算模型来研究强迫症的连接假说。在数学上,我们使用常微分方程和连续时间动力系统的方法。我们使用经典的分析方法以及计算方法来研究相平面中的现象(例如,当给定某些初始条件时系统解的行为)和在参数空间中(例如,初始条件的敏感依赖性)。我们发现不同的强迫症亚型可能对应于网络连接配置文件的不同异常。我们认为,这是参数的组合(区域之间的连接强度),而不是任何一个参数的值独立,提供了最好的基础,预测行为,并了解疾病的异质性。
2015-12-15 q-bio.NC
A shotgun sampling solution for the common input problem in neural connectivity inference
推断神经元网络的连通性仍然是统计神经科学的一个关键挑战。“共同输入”问题提出了主要的障碍:很难可靠地区分观察到的神经元对之间的因果联系与未观察到的神经元的共同输入引起的相关性。由于现有的记录技术允许我们同时从一小部分大型网络中进行采样,并且具有足够的时间分辨率,因此忽略这些常见输入效应的朴素连接估计具有很大的偏差。这项工作提出了一个'猎枪'的实验设计,在其中,我们观察多个子网络简要地,在一个串行的方式。因此,虽然不能在任何给定时间同时观察到整个网络,但我们可以在整个实验期间观察到它的大部分。使用脉冲递归神经网络的广义线性模型,我们开发了可扩展的近似贝叶斯方法来执行这种类型的数据的网络推理,其中在每个时间仓中只观察到网络的一小部分。仿真结果表明:(1)鸟枪实验设计可以消除常见输入效应引起的偏差。(2)具有数千个神经元的网络,其中每个时间仓中仅观察到一小部分神经元,可以快速准确地估计。(3)如果我们利用关于在两个神经元之间具有连接的概率、其对神经元细胞类型的依赖性(例如,戴尔定律),或者它对神经元之间距离的依赖性。
2014-12-18 q-bio.NC q-bio.QM stat.AP
Evaluation and Ensembling of Methods for Reverse Engineering of Brain Connectivity from Imaging Data
脑科学是一个不断发展的研究领域,具有提供见解的潜力,从而预防和治疗影响数百万患者的多种神经元疾病。发现关系,如大脑连接,是基础,转化和临床科学的主要目标。因果发现的算法被用于不同的领域,用于解决类似于重建神经元大脑连接的任务的问题。我们的目标是了解这些方法的优势和局限性,衡量性能及其决定因素,并提供见解,以提高其性能和适用性。我们进行了广泛的实证测试和基准的重建性能的几个国家的最先进的算法,以及几个集成技术用于将它们结合起来。我们的实验使用了一个明确的和广泛相关的金标准的基础上钙荧光时间序列记录的数千个神经元采样从以前验证的现实,神经元模型。相关性、基于熵的测量、短时间滞后的互相关和广义传递熵具有最佳性能,ROC曲线下面积(AUC)在0.7-0.8范围内,即使对于n = 100至1,000的较小样本量也是如此,并且收敛迅速(小于n = 1,000)。使用随机森林和神经网络的最佳性能方法的集合生成的AUC为~0.9,n = 10,000。获得了关于参数选择和样本量的一些重要见解,用于指导研究的实验设计。我们的数据也支持使用现有技术可靠地重建复杂的神经元连接的可行性。
2016-03-15 q-bio.NC
EEG Interpretation Across Chant Listening: A Single-Subject Pilot Investigation Using Spectral and Functional Connectivity Analysis
Centre for Brain Research (CBR), Indian Institute of Science (IISc)(印度科学院脑研究中心);National Institute of Advanced Studies (NIAS)(国立高等研究院)
本研究通过频谱和功能连接分析,比较了五种听觉条件下5岁儿童的大脑活动,发现不同吟唱条件(如Shiv Tandav Stotra)能调节神经振荡并形成不同的功能网络连接模式。
2026-06-24 eess.SP q-bio.NC
The Resolution Matrix for Visualizing Functional Network Connectivity
分辨率矩阵是用于分析诸如计算成像系统的逆问题的数学工具。当将网络连通性估计视为逆问题时,分辨率矩阵描述网络节点和边缘可以被解析的程度。这对于量化网络估计的鲁棒性以及识别相关活动都是有用的。在这份报告中,我们分析了分辨率矩阵的功能磁共振成像数据从人类连接组项目。我们发现,分辨率度量的共同指标可用于识别网络活动,虽然默认模式网络和额顶叶注意力网络之间的关系有了新的转折。
2020-09-04 cs.SI q-bio.NC
Scalable inference of functional neural connectivity at submillisecond timescales
Flatiron Institute(平顿研究所);New York University(纽约大学);Fordham University(福特汉姆大学)
本研究提出基于蒙特卡洛和多项式近似的连续时间泊松GLM方法,利用拉盖尔多项式基实现亚毫秒级功能连接推断,在准确性和可扩展性上优于传统分箱方法,并适用于大规模神经记录。
2025-10-23 q-bio.NC stat.ML
Online neural connectivity estimation with ensemble stimulation
Duke University(杜克大学)
系统神经科学的主要目标之一是将神经回路的结构与它们的功能联系起来,然而当记录行为生物体中的大种群时,很难建立连接模式。许多以前的方法都试图使用观测数据的统计建模来估计神经元之间的功能连接,但这些方法严重依赖于参数假设,并且纯粹是相关的。然而,最近,全息光刺激技术使精确定位选定的神经元集合成为可能,提供了建立直接因果联系的可能性。在这里,我们提出了一种基于噪声组测试的方法,该方法大大提高了稀疏网络中此过程的效率。通过刺激神经元的小集合,我们表明,有可能恢复二值化的网络连接与一些测试,只有在最小的统计假设下,人口规模的增长与几何。此外,我们证明了我们的方法,这减少到一个有效的可解凸优化问题,可以与变分贝叶斯推断的二进制连接权重,我们得到严格的后边缘的界限。这使我们能够将我们的方法扩展到流式设置,其中连续更新的后验子允许可选的停止,并且我们证明了在线推断多达数万个神经元的网络连接的可行性。最后,我们展示了我们的工作如何在理论上与压缩感知方法联系起来,并比较了不同设置下的连接性推断结果。
2020-12-07 cs.LG q-bio.NC stat.ML
Consolidating a Link Centered Neural Connectivity Framework with Directed Transfer Function Asymptotics
我们提出了一个统一的数学推导的渐近行为的三个主要形式的\textit{directed transfer function}(DTF)补充最近的部分定向相干(PDC)的结果\cite{Baccala2013}。基于这些结果和数值例子,我们认为一个新的定向的“链接”为中心的神经连接框架,以取代广泛的相关性为基础的有效的/功能网络概念,使得结构之间的定向网络影响被分类为链路是以\textit{direct}方式还是以\textit{indirect}方式的\textit{active},从而导致\textit{Granger connectivity}和\textit{Granger influenciability}的新概念,它们比格兰杰更具有描述性只有因果关系。
2015-01-23 math.ST q-bio.NC stat.TH
Shaping manifolds in equivariant recurrent neural networks
Laboratoire de Neurosciences Cognitives et Computationnelles, INSERM U960, École Normale Supérieure - PSL Research University(认知与计算神经科学实验室,INSERM U960,巴黎高等师范学院-PSL研究大学);SISSA - Theoretical and Scientific Data Science(的里雅斯特国际高等研究院-理论与科学数据科学)
本文针对循环网络连接性与吸引子几何形状关系的一般原则缺失问题,利用群表示理论形式化两者关系,推广经典环模型至等变RNN并简化为低秩模型,揭示参数依赖的流形共存与稳定性规律。
2025-11-13 q-bio.NC
SynapsNet: Enhancing Neuronal Population Dynamics Modeling via Learning Functional Connectivity
University of British Columbia(不列颠哥伦比亚大学)
提出深度学习框架SynapsNet,通过学习神经元间的功能连接性来建模群体动力学,在多种记录模态和任务中显著提升了群体活动预测性能,并准确揭示了神经元间的预测性相互作用。
2024-11-12 cs.LG q-bio.NC
Statistical Perspective on Functional and Causal Neural Connectomics: The Time-Aware PC Algorithm
大脑中神经元之间基于其活动的信息流的表示被称为因果功能连接体。这种表征结合了神经元活动的动态性质和它们之间的因果相互作用。与连接体不同,因果功能连接体不能直接观察到,需要从神经时间序列中推断。一个流行的统计框架推断因果连接的观察是有向概率图形建模。它的共同制定是不适合神经时间序列,因为是独立和相同分布的静态样本的变量。在这项工作中,我们提出了一种新的方法,适应定向概率图形建模的时间序列的情况下,从神经时间序列的因果功能连接的模型和估计。特别是,我们开发的时间感知PC(TPC)算法估计的因果功能连接,适应PC算法的统计因果推理的最先进的方法。我们发现,TPC的模型结果具有反映神经相互作用的因果关系,如非参数的属性,表现出有向马尔可夫性质的时间序列设置,并预测的后果,反事实干预的时间序列。我们证明了该方法的实用性,以获得因果功能连接体的几个数据集,包括模拟,基准数据集,和最近的多阵列电生理记录从小鼠视觉皮层。
2022-04-12 q-bio.NC q-bio.QM stat.AP
Graph-Based Representation Learning of Neuronal Dynamics and Behavior
Turner Institute for Brain and Mental Health(大脑与心理健康研究所);School of Psychological Sciences, Monash University(墨尔本大学心理学科学学院);Cortical Labs(皮层实验室)
提出TAVRNN框架,通过概率图学习与时间注意力机制建模时变神经元连接,在单单元与群体层面学习潜在动力学,跨三种数据集验证其优于现有方法,揭示了适应性行为与神经网络演化拓扑间的新关系。
2025-05-30 cs.LG cs.NE q-bio.NC
Estimation of neuronal interaction graph from spike train data
当前神经生物学的主要问题之一是了解多神经元集合之间的相关尖峰活动以及神经生理学实验中刺激驱动和自发活动之间的差异。现在普遍使用的多电极阵列记录以来自许多良好识别的神经元的脉冲序列的形式监测神经元活动。分析这些数据时的一个基本问题是识别描述神经元之间"突触耦合"的有向图。在这篇文章中,我们处理这个问题与高质量的多电极阵列记录数据集(Pouzat等人,2015年)从蝗虫的第一个嗅觉中继,$Schistocerca$ $americana$。从数学的角度来看,本文提出了两个新的。首先,我们提出了一个程序,允许处理实际数据集中遇到的小样本量。此外,我们解决部分观察网络的敏感情况。我们的出发点是Duarte et al.(2016)中介绍的程序。我们通过模拟研究,这也是用于参数调整和探索只记录一个小的子集的网络的神经元的影响,原始和改进的程序的性能进行评估。
2017-10-11 q-bio.NC stat.AP
From Local Chaos to Critical Slowing Down: A Theory of the Functional Connectivity of Small Neural Circuits
功能连接是神经网络的一个基本属性,它量化了皮层区域之间信息的分离和整合。由于数学上的复杂性,一个能够解释由几十个神经元组成的介观网络的参数如何影响功能连接的理论仍然有待制定。然而,神经科学中许多有趣的问题涉及到由少量神经元组成的网络的研究。基于最近对小神经回路动力学的研究,我们将任意大小的多种群神经网络的局部分叉分析与功能连接的解析计算结合起来。我们研究的功能连接在不同的制度,表明外部刺激导致网络切换从异步状态的特征在于弱相关性和低变异性(局部混沌),同步状态的特征在于强相关性和广泛的时间波动(临界放缓)。局部混沌通常发生在大型网络中,但在这里,我们表明,它也可以由小神经回路中的强刺激产生。另一方面,当刺激使网络接近局部分叉时,预计会发生临界减速。特别地,强正相关性发生在网络的鞍节点和Andronov-Hopf分叉处,而强负相关性发生在网络在分支点分叉处发生自发破缺时。这些结果证明了即使解剖连接是固定的,放电率网络模型的功能连接也会受到外部刺激的强烈影响,并提出了生物网络可以动态调节感觉信息编码和整合的有效机制。
2016-05-26 math.DS q-bio.NC
Layer-specific connectivity revealed by diffusion-weighted functional MRI in the rat thalamocortical pathway
在过去的几十年里,从整体脑的角度研究活体神经活动一直是功能性磁共振成像(fMRI)的研究领域。控制fMRI血氧水平依赖性(BOLD)功能对比的复杂神经血管耦合在绘制活跃脑区方面是非常宝贵的,但它们也带来了显着的局限性,例如信号对活动病灶的非特异性。弥散加权功能磁共振成像(dfMRI)具有相对较高的弥散加权,努力改善这一缺点,因为它提供的功能对比与潜在的活动更密切相关。然而,除了较小的激活灶外,dfMRI的对比度并没有令人信服地显示出比BOLD具有显着的优势,并且其对比度依赖于显着的建模。在这里,我们研究dfMRI是否可以提供一个更好的代表性的丘脑皮质通路的神经活动相比,其(自旋回波(SE))BOLD对应。使用高端前爪刺激实验在大鼠在9.4 T,并具有显着的灵敏度增强,由于使用cryocoils,我们首次表明,dfMRI信号表现出层的特异性,此外,显示信号的领域没有SE-BOLD响应。我们发现,dfMRI信号在丘脑皮质通路相互一致,即,dfMRI信号在腹后外侧(VPL)丘脑核cohere具体与IV和V层的躯体感觉皮层。这些活动模式与基于文献的皮层和丘脑电生理记录的相关性要好得多(与SE-BOLD信号相比)。所有这些发现表明,dfMRI信号更好地代表了潜在的神经活动的途径。反过来,这可能对更具体和准确的(.)
2019-03-19 physics.med-ph q-bio.NC
Mimicking Collective Firing Patterns of Hundreds of Connected Neurons using a Single-Neuron Experiment
神经网络的实验研究需要同时测量大量的神经元,同时监测连接性、突触强度和延迟的特性。目前的技术障碍使这一任务无法实现。此外,由于所需测量的数量巨大,估计的网络参数将不同于原始参数。在这里,我们提出了一个通用的实验技术,它使研究的经常性神经网络活动,同时能够支配网络的连接和突触强度。这种方法是基于这样的观察,即神经元的反应完全取决于它们最近的刺激,即短期记忆。它允许长期刺激和记录单个神经元的方案,以模仿递归网络中神经元的同时活动测量。利用这种技术表明自发出现的合作同步振荡,特别是快速伽玛和缓慢的德尔塔振荡的共存,并打开了大规模神经网络内的其他合作现象的实验研究的视野。
2016-01-10 cond-mat.stat-mech q-bio.NC