Relations between large scale brain connectivity and effects of regional stimulation depend on collective dynamical state
在宏观尺度上，大脑作为一个相互连接的神经元群体的网络运行，这些神经元群体显示出支持实际通信的节律动力学。了解特定脑区的刺激如何影响这种协调活动对于获得对脑功能的基本见解和开发神经调节作为治疗工具是重要的。然而，仍然难以预测局灶性刺激的下游效应。具体而言，鲜为人知的是如何集体振荡制度的网络活动可能会影响区域扰动的合作动态的结果。在这里，我们结合连接体数据和生物物理建模，开始填补这些空白。通过调整控制网络集体动力学的参数，我们识别出模拟大脑活动的不同状态，并研究刺激的分布效应如何在不同状态下表现出来。当基线振荡较弱时，受刺激区域表现出增强的功率和频率，并且由于网络相互作用，附近区域在激发频带中发展锁相活动。重要的是，我们发现，局灶性刺激也会导致更多的分布式修改网络的一致性在区域的基线振荡频率，这些影响更好地预测功能，而不是结构连接。相比之下，当网络在更强的内源性振荡机制中运行时，刺激仅引起功率和频率的轻微变化，并且网络平均的相干性变化在刺激区域的选择中更加均匀。总之，这项工作的基础上，并扩展了以前的计算研究调查刺激的影响，并强调，无论是刺激的网站，而且，至关重要的是，大脑网络动态的制度，可以影响网络范围内的反应，局部扰动。
2020-02-12 q-bio.NC
Controlling collective dynamical states of mesoscale brain networks with local perturbations
振荡同步被假设为支持大脑区域之间的信息流动，不同的锁相配置能够激活不同的有效相互作用。沿着这些思路，过去的工作提出了多稳态锁相作为硬连线大脑网络灵活支持多种功能模式的一种手段，而不必重新配置它们的解剖连接。考虑到实际通信和相位锁定状态之间的潜在联系，理解如何控制这些状态以实现实际电路中功能连接的快速改变是很重要的。在这里，我们研究功能状态控制的耦合神经质量的小网络，显示集体多稳定性下确定性的条件下，并显示更多的生物现实的不规则振荡和瞬态锁相条件是随机的。特别是，我们调查这些中尺度电路的外部信号，目标只有一个单一的子单元的全球响应。主要集中在更现实的情况下，其中网络动态是随机的，我们确定的条件下，本地输入（i）可以触发快速过渡到拓扑不同的功能连接图案是暂时稳定的（“状态切换”），（ii）可以平滑地调整用于特定的超前-滞后关系集合的相位关系的空间模式（“状态变形”），以及（iii）不能调节全局锁相状态。总的来说，我们的研究结果增加了越来越多的文献，强调多稳态，interreal相干模式的调制可以为灵活的大脑网络操作提供基础。
2022-08-25 q-bio.NC
Model of Brain Activation Predicts the Neural Collective Influence Map of the Brain
高效的复杂系统具有模块化结构，但模块化并不能保证鲁棒性，因为效率还需要相互作用的模块化组件的巧妙相互作用。人脑是一个高效、健壮的模块化系统的基本范式，该系统作为网络的网络（NoN）相互连接。理解这种模块化架构中的鲁棒性的出现是一个长期的挑战，许多科学家都关心。受电网启发，NoN中当前的依赖关系模型表达了模块之间的相互作用，这些模块之间的脆弱耦合会放大即使是很小的冲击，从而阻止功能。因此，我们引入了一个NoN模型来塑造大脑激活的模式，以形成一个强大的模块化环境。该模型通过优化负责向全脑NoN广播信息的最小基本节点集的影响来预测大脑中神经集体影响者（NCI）的地图。我们的研究结果提出了新的干预方案，通过瞄准网络理论预测的有影响力的神经节点来控制大脑活动。
2017-04-15 physics.soc-ph q-bio.NC
Joint-Embedding Masked Autoencoder for Self-supervised Learning of Dynamic Functional Connectivity from the Human Brain
KAIST AI（韩国国立科学技术院人工智能研究所）；Yonsei University College of Medicine（延世大学医学院）；AITRICS
本文提出时空联合嵌入掩码自编码器ST-JEMA，受JEPA启发，通过重建动态图学习fMRI数据的高层语义表示，在八个基准数据集上优于现有方法，有效利用标签稀缺的脑影像数据。
2025-05-05 cs.LG q-bio.NC
Emergent Language Symbolic Autoencoder (ELSA) with Weak Supervision to Model Hierarchical Brain Networks
Johns Hopkins University（约翰斯·霍普金斯大学）；Microsoft Health AI（微软健康人工智能）；Johns Hopkins School of Medicine（约翰斯·霍普金斯大学医学院）；Malone Center for Engineering in Healthcare, Johns Hopkins University（约翰斯·霍普金斯大学马龙医疗工程中心）
本文提出弱监督涌现语言符号自编码器ELSA，通过层级簇、符号句子与广义层级损失建模fMRI脑网络，并实现超过97%的层级一致性。
2024-04-15 cs.AI cs.LG q-bio.NC
The collective brain is critical
临界状态的独特动力学特征赋予大脑适应行为的基本属性。这个提议，提出了与Per Bak几年前，现在支持了一个广泛的身体的经验证据，在不同的尺度表明，时空大脑动力学表现出关键的签名，以前在其他复杂系统中认识到的关键动力学。在这些笔记中讨论了这个程序背后的基本原理，然后是最新结果的说明，以及这些想法的生理意义的讨论。
2011-03-10 cond-mat.dis-nn physics.bio-ph q-bio.NC
The broad edge of synchronisation: Griffiths effects and collective phenomena in brain networks
大脑的许多令人惊叹的功能都是源于大量单个神经元相互作用的集体属性。特别是，大脑活动中最突出的集体现象是振荡，这需要许多神经元的同步激活。在这里，我们分析了在合成网络之上运行的神经同步的简约动态模型，这些合成网络捕获了实际大脑解剖连接的基本方面，例如分层模块化和核心外围结构。这些模型揭示了复杂的集体状态的出现，具有中间和灵活的同步水平，在同步-异步频谱的一半。这些状态最好描述为广义的格里菲斯阶段，即在结构异构系统中出现的标准临界点的扩展。我们分析不同的路线（分叉）同步和强调的相关性的“混合型过渡”，以产生丰富的动态模式。总的来说，我们的研究结果说明了结构和动力学之间复杂的相互作用，强调了维持大脑功能所需的丰富集体状态的关键方面。
2021-09-24 cond-mat.dis-nn nlin.AO q-bio.NC
Sparse Autoencoders Bridge The Deep Learning Model and The Brain
Beijing Institute of Technology（北京理工大学）；Zhejiang University（浙江大学）；Westlake University（西湖大学）
本研究提出SAE-BrainMap框架，利用稀疏自编码器实现深度学习视觉模型表征与体素级fMRI响应的直接对齐，构建体素词典并建立模型层与人类腹侧视觉通路的细粒度层级映射，为模型可解释性提供新视角。
2025-06-10 cs.CV q-bio.NC
Graph Autoencoders for Embedding Learning in Brain Networks and Major Depressive Disorder Identification
Monash University Malaysia（莫纳什大学马来西亚校区）；Vanderbilt University Medical Center（范德比尔特大学医学中心）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
该研究提出基于图卷积网络的图自编码器框架，结合LDW收缩法构建脑功能连接网络，通过有监督/无监督方式学习图嵌入，输入全连接网络实现重度抑郁症识别，在两个数据集上性能优于现有方法，且嵌入特征体现明显组间差异。
2022-06-02 cs.AI cs.LG q-bio.NC
Sparse Autoencoders Map Brain-LLM Alignment onto Cortical Semantic Topography
The University of Hong Kong（香港大学）；Stellaris AI Limited（Stellaris AI有限公司）
通过稀疏自编码器分解LLM中间层特征，发现语义特征主导大脑预测表现，并验证了皮层语义拓扑的细粒度对齐。
2026-05-21 cs.AI cs.CL q-bio.NC
Social human collective decision-making and its applications with brain network models
本章利用概率漂移-扩散模型与贝叶斯推断框架分析社会集体决策，结合疏散路线、脑网络、神经调节和强化学习示例总结进展、挑战与非平衡问题。
2023-07-06 physics.soc-ph q-bio.NC
Feature Learning from Incomplete EEG with Denoising Autoencoder
Shanghai Jiao Tong University（上海交通大学）
人脑与外界通信的另一种途径是通过脑机接口（BCI）。BCI可以解码大脑活动的脑电图（EEG）信号，然后将命令或意图发送到外部交互设备，如轮椅。BCI的有效性取决于解码EEG的性能。通常，EEG被不同种类的伪影（例如，肌电图（EMG）、背景活动），这导致低解码性能。许多滤波方法可以用来去除或削弱伪影的影响，但当EEG包含极端伪影时，它们通常会失败。在这种情况下，最常见的方法是丢弃包含极端伪影的整个数据段。这导致BCI在该时间期间不能输出解码结果的致命缺点。为了解决这个问题，我们采用Lomb-Scargle周期图来估计来自不完整EEG的谱功率（在仅去除被伪影污染的部分之后），并使用去噪自动编码器（DAE）进行学习。所提出的方法进行评估与运动想象脑电数据。实验结果表明，该方法能够成功地对不完整脑电信号进行解码，取得了良好的效果。
2014-10-03 cs.CV q-bio.NC
Whole Brain Network Dynamics of Epileptic Seizures at Single Cell Resolution
癫痫发作的特征在于多个尺度的异常脑动力学，涉及单个神经元、神经元集合和粗糙的脑区域。理解这种突发性种群动力学的原因的关键是在多个大脑尺度上捕捉神经元活动的集体行为。在这篇论文中，我利用斑马鱼幼鱼捕捉癫痫发作时整个大脑的单细胞神经元活动。首先，我利用统计物理方法来量化癫痫发作期间单个神经元动力学的集体行为。在这里，我展示了一个人口机制，通过该机制，单神经元动力学组织成癫痫发作：大脑动力学偏离相变。其次，我利用单神经元网络模型来识别实际导致这种转变发生的突触机制。在这里，我表明网络中神经元连接的密度是驱动全身性癫痫发作动力学的关键。有趣的是，这种变化也破坏了大脑网络的网络反应特性和灵活的动力学，从而将癫痫发作期间的微尺度神经元变化与突发性脑功能障碍联系起来。第三，我利用非线性因果推理方法来研究癫痫发作发生的潜在神经元相互作用的性质。在这里，我展示了癫痫发作是由高度同步性驱动的，但也是由神经元之间高度非线性的相互作用驱动的。有趣的是，这些非线性特征在宏观尺度上被过滤掉，因此可以代表可用于微观尺度干预策略的神经元特征。这篇论文展示了多尺度动力学研究的实用性，在斑马鱼幼鱼，连接在微尺度上的神经元活动与突发性癫痫发作期间的属性。
2022-12-12 q-bio.NC
Mesoscopic Collective Activity in Excitatory Neural Fields: Cross-frequency Coupling
在大脑中，交叉频率耦合被假设是由专门的微电路活动引起的。例如，θ-γ耦合被假定为由专门的细胞对（PING和ING机制）或特殊细胞（例如，快速爆发神经元）。然而，这意味着产生机制是大脑特有的。事实上，跨尺度耦合是所有大型多尺度系统物理学中都会遇到的一种现象：不同尺度分量之间的相位和振幅相关性是非线性相互作用的结果。因为大脑也是一个多尺度系统，所以大脑中必须有类似的机制。在这里，我们将大脑活动表示为由神经元群体支持的时空活动（集体活动）的非线性相互作用模式的叠加。交叉频率耦合是非线性相互作用的直接结果，并且不需要专门的细胞或细胞对。因此，它是普遍的，必须在任何组成的神经领域中活跃。为了强调这一点，我们证明了兴奋领域的现象。虽然毫无疑问，特化细胞在θ-γ耦合中发挥作用，但我们的研究结果表明，耦合机制同时更简单和更丰富：更简单是因为它涉及非线性的普遍原理;更丰富是因为集体活动的非线性可能由特化细胞群体以尚待理解的方式进行调节。
2022-07-06 q-bio.NC q-bio.QM
A neuronal dynamics study on a neuromorphic chip
神经元放电活动吸引了很多关注，因为大脑中大量的时空模式是适应行为的基础，也可以揭示各种神经系统疾病的迹象，包括阿尔茨海默氏症，精神分裂症，癫痫等。在这里，我们研究了一个简单的神经元网络的动力学使用不同的设置在一个神经形态芯片。我们观察到三种不同类型的集体神经元放电活动，这与从大脑中获取的临床数据一致。我们构建了一个大脑相图，并表明在弱噪声区域内，大脑是在预期的噪声诱导阶段（N阶段），而不是在所谓的自组织临界边界。这项研究的意义是双重的：第一，神经元活动偏离正常大脑可能是中枢神经系统疾病的症状，从而为新的诊断和治疗铺平了道路;第二，N期的正常大脑状态是计算和信息处理的最佳状态。后者可能提供一种方法来建立强大的新的计算范式，使用尖峰神经元网络的集体行为。
2017-03-10 q-bio.NC
The refractory period matters: unifying mechanisms of macroscopic brain waves
复杂的脑振荡和单个神经元动力学之间的关系知之甚少。在这里，我们利用最大口径，一个动态推理原则，建立一个最小的，但一般的集体（平均场）的大种群的神经元动力学模型。与以前的实验观察一致，我们描述了一个简单的，可测试的机制，只涉及一种类型的神经元，其中许多复杂的振荡模式可能会出现。我们的模型预测，神经元的不应期，这是以前被忽视的，是必不可少的这些行为。
2020-09-03 q-bio.NC
Brain reaction times: Linking individual and collective behaviour through Physics modelling
在实验心理学中，个体对视觉刺激的反应时间数据通常通过前高斯函数（EGF）来表示。在大多数以前的作品中，研究人员主要旨在找到与心理现象有关的EGF功能参数的意义。我们将专注于解释一组个体的反应时间（RT），而不是单个人的RT，这与社会科学的不同背景有关。在这样做的过程中，与理想气体（IG）（一种无生命的非相互作用粒子系统）相同的模型从实验RT数据中出现。这两个系统的特征都是一个集体参数，在粒子质点系的情况下是k_BT，而在大脑系统的情况下我们称之为寿命参数。类似地，我们遇到了大脑系统的麦克斯韦-玻尔兹曼型分布，它提供了比以往任何时候都更自然、更完整的集体时间响应特征。因此，我们能够通过应用物理定律，了解单个个体相对于他们所属的同时代群体的行为。这导致了一种新的基于熵的方法，用于对形成系统的个体进行分类，该系统来自于支配大脑系统的物理定律。据我们所知，这是第一次在文献中报告的物理理论（IG）从人类RT实验数据的出现。
2019-11-19 physics.bio-ph physics.soc-ph q-bio.NC
Filtering in tractography using autoencoders (FINTA)
Université de Sherbrooke（舍布鲁克大学）；Univ. Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；CEA（法国原子能和替代能源委员会）
目前的脑白质纤维跟踪技术显示出许多问题，包括：生成大比例的流线，其不准确地描述底层解剖结构;提取不被底层扩散信号支持的流线;以及欠代表一些纤维群体等。在本文中，我们描述了一种新的自动编码器为基础的学习方法，过滤流线从扩散MRI纤维束成像，从而获得更可靠的纤维束图。我们的方法，被称为FINTA（使用自动编码器的纤维束成像过滤）使用原始的，未标记的纤维束图来训练自动编码器，并学习大脑流线的鲁棒表示。然后使用这种嵌入来使用最近邻算法过滤不期望的流线样本。我们对合成和体内人脑弥散MRI纤维束成像数据的实验在测试集上获得了超过90%阈值的准确度分数。结果表明，FINTA具有优越的过滤性能相比，传统的，基于解剖学的方法，和最先进的方法的神经束。此外，我们还证明了FINTA可以应用于部分追踪图，而无需更改框架。我们还表明，所提出的方法在不同的跟踪方法和数据集之间具有很好的推广性，并显着缩短了大型（>1 M流线）跟踪图的计算时间。总之，这项工作提出了一个新的基于自动编码器的纤维束成像深度学习框架，它为白质过滤和捆绑提供了一种灵活而强大的方法，可以增强纤维束测量和连接分析。
2021-07-31 cs.CV cs.LG eess.IV
Searching for collective behavior in a small brain
在大型神经元网络中，人们认为功能是通过许多相互连接的神经元的集体行为产生的。最近，实验技术的发展允许同时记录秀丽隐杆线虫（一种有302个神经元的线虫）所有神经元中的大部分神经元的钙浓度，这创造了一个机会来询问这种出现是否是普遍的，甚至达到最小的大脑。在这里，我们测量了C中50多个神经元的活性。elegans，并通过建立最大熵模型来分析数据，该模型匹配这些神经元之间的平均活动和成对相关性。为了捕捉细胞反应的分级性质，我们为每个细胞分配了多个状态。这些模型，相当于一个家庭的波茨眼镜，成功地预测更高的统计结构的网络。此外，这些模型表现出集体行为的特征：单个细胞的状态可以从网络的其余部分的状态预测;网络，尽管在某种程度上类似于结构连接体，但在局部扰动时，其响应在全局上分布;网络状态的分布具有多个局部最大值，就像记忆模型一样;并且描述真实网络的参数在这类模型中接近临界面。
2018-10-17 cond-mat.dis-nn physics.bio-ph q-bio.NC
Consciousness as a global property of brain dynamic activity
我们寻求与意识觉知相关的细胞集体活动结构的一般原则。我们能否获得证据，证明大脑的最佳组织特征能够对刺激进行充分的处理，并可能引导认知和意识的出现？在分析意识和无意识状态下的大脑记录时，我们最初遵循物理学中的经典方法来理解由无数单元组成的系统的集体行为：评估系统可以采用的可能配置（微观状态）的数量，为此我们使用与连接的大脑区域数量相关的全局熵度量。在意识状态中发现最大熵之后，我们接着使用适当的复杂性度量来检查连接配置的微观性质，并发现不仅由意识意识而且由潜意识认知处理（如睡眠阶段）表征的状态具有更高的复杂性。我们的观察表明，有意识的意识与最大的全局（宏观）熵和短时间尺度（微观）的复杂性连接的大脑网络的配置在病理无意识状态（癫痫发作和昏迷），但微观视图捕获的高度复杂性在生理无意识状态（睡眠），其中有信息处理。因此，我们的研究结果支持全球性的意识意识，所主张的几个认知理论。因此，我们希望我们的研究代表了初步的步骤，以揭示导致有意识意识的认知结构的各个方面。
2017-10-13 q-bio.NC
Distinct criticality of phase and amplitude dynamics in the resting brain
融合研究表明，静息状态下的大脑处于动态不稳定的尖端，这一点由无标度时间相关性表示。我们问，如果这些相关性的缩放特性不同的幅度和相位波动，这可能反映了不同方面的皮层功能。使用源重建的脑磁图信号，我们发现幂律缩放的集体振幅和相位同步，都捕捉全脑活动。幅度的时间变化包括缓慢的、持久的记忆过程，而相位同步表现出更少的时间结构和更复杂的相关性，表明快速和灵活的编码。这种独特的时间尺度支持的想法，不同的角色的振幅和相位在皮层功能。
2015-12-08 q-bio.NC
Collective excitability in a mesoscopic neuronal model of epileptic activity
大脑可以被理解为一个相互作用的神经元振荡器的集合，但它的持续活动在多大程度上是由于大脑区域之间的耦合仍然不清楚。在这里，我们研究了由Jansen-Rit神经质量模型描述的两个皮质柱的联合动力学，并表明柱之间的耦合引起持续的集体活动的随机启动，这可以被解释为癫痫事件。对于足够大的耦合强度，终止这些事件的结果主要来自列之间的同步的出现，因此是由耦合，而不是噪声控制。随机触发和噪声独立的持续时间的特点是可兴奋的动力学，因此，我们解释我们的结果集体兴奋性。
2017-07-12 nlin.AO q-bio.NC
Statistical Complexity and Nontrivial Collective Behavior in Electroencephalografic Signals
我们从健康受试者和癫痫患者的脑电图（EEG）信号的全局动力学计算统计复杂性的度量，并且能够建立一个标准来表征两组个体中的集体行为。研究发现，健康人脑电信号的集体动力学具有相对较高的复杂度值，而癫痫患者脑电信号的集体动力学具有相对较高的复杂度值。为了解释这些结果，我们提出了一个模型的网络耦合混沌映射，我们计算的复杂性作为一个参数的函数，并与此措施的出现在系统中的非平凡的集体行为。我们的研究结果表明，非平凡的集体行为的存在与高值的复杂性，从而表明类似的动态集体过程可能发生在人类大脑。我们的研究结果还表明，癫痫是一种与大脑复杂性丧失有关的退行性疾病。
2009-05-07 nlin.AO q-bio.NC
Adaptive frequency-based modeling of whole-brain oscillations: Predicting regional vulnerability and hazardousness rates
基于结构连接的全脑计算模型在成功模拟fMRI BOLD信号中显示出很大的前景，其时间共激活模式与静息状态下的经验功能连接模式高度相似。重要的是，以前的研究表明，自发波动的分布脑区的共激活模式具有内在的动态性质的频谱方面的内在脑振荡。在这项建模研究中，我们引入了频率动态耦合振荡器的系统，其中每个振荡器代表的局部平均场模型的大脑区域。我们首先表明，相互作用的振荡器的集体行为再现了先前显示的脑动力学特征。第二，我们研究了模拟病变的影响，在大脑模型中应用计算机微扰协议。我们提出了一种新的方法来映射大脑网络中脆弱性的影响，并引入了一种基于特征空间中分歧程度映射的区域危险性度量
2019-07-22 q-bio.NC
Attractor and integrator networks in the brain
在这篇综述中，我们描述了吸引子神经网络模型在描述大脑如何保持工作记忆的持续活动状态，错误纠正和整合噪声线索方面的独特成功。我们考虑的机制，简单和健忘的单位可以组织起来，集体产生动态的长时间尺度上所需的计算。我们讨论了吸引子动力学在大脑中计算的无数潜在用途，并展示了大脑系统中固有的低维连续吸引子动力学已经被具体和严格识别的显着例子。因此，现在可以得出结论，大脑构建并使用这样的系统进行计算。最后，我们展望未来，强调最近的理论进展，了解如何可以克服的鲁棒性和容量之间的基本权衡和结构和灵活性之间的重用和重组相同的一组模块化吸引子的多个功能，使他们一起产生的表示，结构上的约束和强大的，但表现出高容量和灵活。
2022-03-02 q-bio.NC
Reinforcement learning for suppression of collective activity in oscillatory ensembles
我们提出了一种使用现代的基于数据的机器学习方法来抑制自我维持的集体振荡，通常由大脑中的退化神经元的集合发出信号。所提出的混合模型依赖于两个主要组成部分：振荡器的环境和基于策略的强化学习块。我们报告了一个模型不可知的同步控制的基础上，近端的政策优化和两个人工神经网络的演员，批评配置。提出了一类具有物理意义的奖励函数，使集体振荡模式的抑制。的同步抑制证明了两种模型的神经元群体-为合奏的全球耦合的极限环Bonhoven-van der Pol振荡器和爆破Hindmarsh-Rose神经元。
2020-01-16 q-bio.NC
Characterization of Phase Transitions in a Lipkin-Meshkov-Glick Quantum Brain Model
Universidad de Granada（格拉纳达大学）
该研究分析了受生物启发的量子脑模型中突触反馈对相变结构的影响，揭示了反馈机制如何改变临界边界并重塑集体临界性。
2026-02-24 physics.comp-ph q-bio.NC quant-ph
Consciousness Viewed in the Framework of Brain Phase Space Dynamics, Criticality, and the Renormalization Group
为了从大脑相空间动力学和临界性的角度来看待意识，我将首先回顾目前突出的理论概念化，并在适当的情况下，确定理论神经科学中不明智和有缺陷的概念，这些概念可能会阻碍将意识视为物理学中的一种现象。我将进一步介绍相关的事实，这些事实在当前的意识论中往往没有得到足够的关注。作为一种概念化意识的新方法，我建议将其视为大脑复杂神经动力学的集体成就，可以在状态空间动力学和临界性的框架下进行研究。在物理学中，相空间跃迁和重整化群的概念是解释复杂系统中涉及许多长度和时间尺度的现象的有力工具。这些概念的重要性在于它们解释了复杂系统中不同层次的新集体行为的出现，每个层次都有其独特的本体论、组织和规律，作为一种新的现实模式。这个提议的假设是，意识的主观性是对现实水平的认识解释，起源于大脑-身体-环境系统的相变。
2011-03-07 cond-mat.dis-nn q-bio.NC
Contribution of social network analysis and collective phenomena to understanding social complexity and cognition
社会脑假说假定社会互动的日益复杂性是认知能力进化的驱动力。虽然二元和三元关系在定义社会行为方面发挥着基本作用，并对社会大脑提出了许多挑战，但动物社会中的个体通常属于相对较大的网络。这些网络的结构和动态如何也有助于认知的进化，反之亦然，了解得较少。在这里，我们回顾了集体现象如何发生在社会代理不需要复杂的认知技能的系统中，以及复杂的网络如何从简单的概率规则中成长，甚至从代理与环境之间的相互作用中出现，没有明确的社会因素。我们进一步表明，社交网络的分析可以用来开发良好的指标，社会复杂性超越个人或二元水平。我们还讨论了在结构化群体中，社会脑必须应对的挑战类型，例如来自网络中扮演不同角色的个体的更高的信息流，或者持续时间和频率差异很大的二元接触。我们讨论这些想法的灵长类动物和其他动物社会的相关性。
2018-09-24 physics.soc-ph q-bio.NC
Rhythms of the collective brain: Metastable synchronization and cross-scale interactions in connected multitudes
群体行为挑战了我们对社会现象的基本理解。它涉及多个时间和空间活动尺度之间的复杂相互作用，其管理机制无法进行常规分析。使用150万Twitter消息从15 M运动在西班牙作为一个例子，众多的自组织，我们描述了系统的协调动态测量锁相统计在不同的频率，使用小波变换，确定8个频带的夹带振荡之间的15个地理节点。然后，我们应用最大熵推断方法来描述伊辛模型捕捉瞬态同步在我们的数据在每个频带。该模型表明：1）系统的所有频段都在其参数空间的临界点附近工作; 2）快频率只呈现少数几个亚稳态，表现出全同步或无同步，慢频率呈现多样的部分同步亚稳态。此外，使用相应的伊辛模型的能量描述在每个频带的状态，我们计算传递熵来表征频带之间的跨尺度相互作用，显示1）向上的信息流的级联，其中每个频带影响其相邻的较慢的频带和2）向下的信息流，其中慢频率调制遥远的快频率。
2018-01-17 cs.SI nlin.AO physics.soc-ph
Reinforcement Learning Framework for Deep Brain Stimulation Study
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）；Microsoft Research Lab（微软研究院实验室）；University of Potsdam（波茨坦大学）
大脑中功能障碍的神经元有时会同步运作，据报道会导致许多神经系统疾病，例如帕金森氏症。因此，抑制和控制这种集体同步活动对神经科学非常重要，并且由于需要用活的人脑进行实验，只能依赖有限的工程试验。我们提出了第一个强化学习健身房框架，它模拟了神经元的这种集体行为，并允许我们找到神经元合成退化模型环境的抑制参数。我们成功地通过RL抑制同步三种病理信号机制，表征框架对噪声的稳定性，并通过接合多个PPO试剂进一步去除不需要的振荡。
2020-02-22 cs.AI cs.LG cs.SY
Optimal responsiveness and collective oscillations emerging from the heterogeneity of inhibitory neurons
大脑的特点是抑制性神经元的高度异质性。我们报告说，尖峰神经网络显示的抑制性神经元的异质性的共振，与最佳的输入/输出响应发生的异质性水平相似的实验发现在大脑皮层。一个异质平均场模型预测这样的最佳响应。此外，我们表明，新的动力学制度出现的异质性，不存在于等价的均匀系统，如稀疏同步集体振荡。
2020-05-12 cond-mat.dis-nn q-bio.NC
Emergence of a dynamical state of coherent bursting with power-law distributed avalanches from collective stochastic dynamics of adaptive neurons
该研究通过具有随机输入的适应性神经元网络证明，幂律分布神经元雪崩可由兴奋与适应性平衡下的相干爆发产生，无需临界相变解释。
2024-12-03 physics.bio-ph q-bio.NC
Modeling Category-Selective Cortical Regions with Topographic Variational Autoencoders
UvA-Bosch Delta Lab（阿姆斯特丹大学-博世三角洲实验室）；University of Amsterdam（阿姆斯特丹大学）；ChemEngAI Lab（化学工程人工智能实验室）；Delft University of Technology（代尔夫特理工大学）
大脑中的类别选择性描述了大脑皮层的某些空间局部区域倾向于对特定有限类别的刺激做出强烈和选择性的反应。类别选择性最著名的例子之一是梭形面部区域（FFA），这是灵长类动物颞叶皮层下部的一个区域，与物体或其他一般刺激相比，它优先对面部图像做出反应。在这项工作中，我们利用新引入的地形变分自动编码器来模拟这种本地化的类别选择性的出现在一个无监督的方式。实验上，我们证明了我们的模型产生空间密集的神经集群选择性的面孔，身体和地方，通过可视化的地图科恩的d度量。我们将我们的模型与相关的监督方法进行了比较，即Lee等人的拓扑深度人工神经网络（TDANN），并讨论理论和经验的相似性。最后，我们展示了初步的结果表明，我们的模型产生了一个嵌套的空间层次结构越来越抽象的类别，类似于从人类腹侧颞叶皮层的观察。
2021-12-19 cs.LG q-bio.NC
Emergence of slow collective oscillations in neural networks with spike timing dependent plasticity
研究了具有锋电位时间依赖可塑性（STDP）的兴奋性脉冲耦合神经元的集体动力学。STDP的引入诱导强同步状态和弱同步状态之间的持续不规则振荡，让人想起慢波睡眠期间的大脑活动。我们用一种机制来解释这种振荡，即西西弗斯效应，它是由突触调节和神经放电的一致性之间的连续反馈引起的。由于这种效应，突触权重具有振荡的平衡值，这阻止了系统松弛到稳定的宏观状态。
2013-04-24 cond-mat.dis-nn q-bio.NC
Longitudinal Correlation Analysis for Decoding Multi-Modal Brain Development
Stanford University（斯坦福大学）；SRI International（SRI国际研究所）
从童年开始，人类的大脑在整个生命过程中进行重组和重新连接。描述这种复杂的大脑发育需要有效的纵向和多模态神经成像数据的分析。在这里，我们提出了这样的分析方法命名为纵向相关分析（LCA）。LCA通过首先将来自每个模态的输入减少到基于自动编码器的潜在表示来耦合两个模态的数据。然后，自我监督策略通过联合解开两个方向（每个空间中一个方向）来将两个潜在空间联系起来，使得沿着这些方向的潜在表征的纵向变化在模态之间最大程度地相关。我们应用LCA分析了来自国家酒精和青少年神经发育联盟的679名青少年的纵向T1加权和弥散加权MRI。与现有的方法，专注于横截面或单模态建模，LCA成功地解开耦合的宏观结构和微观结构的大脑发育的形态和扩散功能提取的数据。在这些受试者的原始3D图像体积上重新测试LCA成功地复制了基于特征的分析的结果。最后，LCA所揭示的发育效应与目前对青少年大脑成熟模式的理解是一致的。
2021-07-10 cs.LG eess.IV q-bio.NC
Geometry-Guided Generative Representation for Functional Brain Graphs
University of Cambridge（剑桥大学）
研究针对网络神经科学中功能脑图表征问题，用图变换器自动编码器，结合特定领域功能梯度几何，无监督学习紧凑脑图表示，能分离认知状态、解码视觉刺激，还可生成合成脑图。
2026-07-23 cs.LG q-bio.NC
Statistical modeling of adaptive neural networks explains coexistence of avalanches and oscillations in resting human brain
大脑中的神经元被连接成适应性网络，表现出一系列集体动力学。例如，振荡是具有定义的时间尺度的神经活动的范例同步模式。相反，神经元雪崩是神经活动的无尺度级联，通常被认为是大脑调整到临界状态的证据。虽然已经开发了模型来分别解释振荡或雪崩，但它们通常不能解释这两种现象，太复杂而无法进行分析，或者难以从数据中严格推断。在这里，我们提出了一个非平衡反馈驱动的伊辛类神经网络，同时定量捕获无标度雪崩和规模特定的振荡。在最简单但完全微观的模型版本中，我们可以通过分析计算相图，并通过对模型的两个基本参数进行易于理解的推断，与人脑静息状态活动记录直接联系。推断的模型定量捕获动态范围广泛的尺度，从单个传感器振荡和多个传感器上的近同步极端事件的集体行为，神经元雪崩展开在多个传感器跨多个时间箱。重要的是，推断出的参数与模型无关的签名“接近临界”，这表明在大脑活动中的尺度特异性（神经振荡）和无尺度（神经元雪崩）动力学的共存发生在接近非平衡临界点的自我持续振荡的开始。
2022-07-26 cond-mat.dis-nn cond-mat.stat-mech physics.bio-ph
From synaptic interactions to collective dynamics in random neuronal networks models: critical role of eigenvectors and transient behavior
神经元相互作用的研究目前是几个大型神经科学合作项目（包括人类连接组项目，蓝脑项目，脑组等）的中心。它试图获得整个大脑的详细地图。在某些约束条件下，数学理论可以仅仅基于突触相互作用矩阵的统计特性来预测预期的神经动力学。这项工作探讨了应用自由随机变量的研究大突触相互作用矩阵。除了恢复在一个简单的方式已知的结果特征谱的类型模型的神经网络提出的Rajan和雅培，我们将它们扩展到重尾分布的相互作用。更重要的是，我们推导出解析的行为特征向量重叠，这决定了稳定的频谱。我们观察到，在施加神经元的兴奋/抑制平衡，尽管特征值保持不变，它们的稳定性显着降低，由于相关的特征向量的强非正交性。这使我们得出这样的结论，即理解非对称神经网络的时间演化需要考虑特征向量和特征值的纠缠动力学，这可能会对这些模型中的学习和记忆过程产生影响。考虑到自由随机变量理论在各种学科中的成功，我们希望这里提出的结果能促进这些想法在脑科学领域的进一步应用。
2020-11-15 cond-mat.dis-nn cond-mat.stat-mech math-ph
Hierarchical Characterization of Brain Dynamics via State Space-based Vector Quantization
University of Tübingen, Tübingen, Germany（图宾根大学）；German Center for Mental Health, Tübingen, Germany（德国心理健康中心）
针对脑动力学转换依赖被忽略的问题，提出层级状态空间分词网络HST，结合改进的VQ-VAE与量化误差反馈，将脑状态层级量化为稳定表征，在fMRI数据集上验证了其在脑动力学量化及疾病诊断中的有效性。
2025-06-28 cs.CV eess.IV q-bio.NC
Spontaneous brain activity emerges from pairwise interactions in the larval zebrafish brain
本研究利用成对最大熵模型（MEM）从幼年斑马鱼脑活动中推断微观网络特征，发现神经群体间的成对相互作用足以解释全脑动力学，并揭示了脑区间连接对维持临界脑状态的重要性。
2023-09-12 physics.bio-ph q-bio.NC
A coupled autoencoder approach for multi-modal analysis of cell types
Allen Institute（艾伦研究所）
个体神经元的高通量分析的最新发展已经刺激了对存在称为细胞类型的神经元的自然分组的想法的数据驱动的探索。这个想法的前景是，大脑回路的巨大复杂性可以减少，并通过细胞类型之间的相互作用进行有效研究。虽然基于特定数据模态的神经元群体的聚类可以用于定义细胞类型，但是这样的定义在不同的表征模态之间通常是不一致的。我们提出这个问题的跨模态对齐作为一个优化问题，并开发了一种基于耦合训练的自动编码器作为这样的分析框架的方法。我们将此框架应用于Patch-seq数据集，该数据集由同一组神经元的转录组学和电生理学特征组成，以研究跨模态表示的一致性，并评估跨模态数据预测能力。我们探讨的问题，只有一个子集的神经元的特点与一个以上的模态，并证明表示学习耦合自动编码器可以用来识别类型采样仅由一个单一的模态。
2019-11-06 cs.LG q-bio.NC stat.ML
DCA: Graph-Guided Deep Embedding Clustering for Brain Atlases
SUSTech（南方科技大学）；University of Warwick（沃里克大学）
本文提出图引导深度嵌入聚类框架DCA，用于生成个体化体素级脑分区，在功能同质性、轮廓系数及下游诊断解码任务上均显著优于现有脑图谱。
2025-09-20 cs.AI cs.CV q-bio.NC
Understanding Brain Dynamics for Color Perception using Wearable EEG headband
York University（约克大学）
颜色知觉是人脑的一个重要认知特征。冲击人眼的各种颜色可以触发大脑活动的变化，这些变化可以使用脑电图（EEG）捕获。在这项工作中，我们设计了一个多类分类模型来检测原始EEG信号的特征的原色。与以往的研究相比，我们的方法采用频谱功率特征，统计特征以及相关性特征从连续Morlet小波变换而不是原始EEG的信号频带功率，分类任务。我们已经应用了降维技术，如前向特征选择和堆叠自动编码器，以减少数据的维度，最终提高模型的效率。我们提出的方法，使用正向选择和随机森林分类器给出了最好的整体准确率为80.6%的主题内分类。我们的方法在开发使用颜色线索的认知任务技术方面显示出了希望，例如通过查看运动能力受限的个人的原色来控制物联网（IoT）设备。
2020-08-17 cs.LG q-bio.NC stat.ML
Inferring effective interactions and task-related brain states from large-scale neural activity with Restricted Boltzmann Machines
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；INRIA（法国国家数字科学研究所）；Universidad Complutense de Madrid（马德里康普顿斯大学）；Institute for Cross-disciplinary Physics and Complex Systems IFISC (CSIC-UIB)（跨学科物理与复杂系统研究所（CSIC- UIB））；Campus Universitat Illes Balears（巴利阿里群岛大学校园）；Escuela Técnica Superior de Ingenieros Industriales, Universidad Politécnica de Madrid（马德里理工大学高等工业工程学院）；GISC - Grupo Interdisciplinar de Sistemas Complejos（复杂系统跨学科小组）；Joseph Henry Laboratories of Physics and Lewis–Sigler Institute, Princeton University（普林斯顿大学约瑟夫·亨利物理实验室和刘易斯-西格勒研究所）；Initiative for the Theoretical Sciences, The Graduate Center, City University of New York（纽约市立大学研究生院理论科学倡议）；IPARCOS, Universidad Complutense de Madrid（马德里康普顿斯大学IPARCOS）
本研究利用受限波尔兹曼机揭示大规模神经活动中的统计结构，通过建模多个大脑区域的神经元活动，揭示了神经元相互作用的解剖结构和动态特性。
2026-08-31 cond-mat.dis-nn cond-mat.stat-mech q-bio.NC
Loc-VAE: Learning Structurally Localized Representation from 3D Brain MR Images for Content-Based Image Retrieval
Hosei University（法政大学）；Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）
基于内容的图像检索（CBIR）系统是一种新兴的技术，支持阅读和解释医学图像。由于三维脑MR图像是高维的，降维是必要的CBIR使用机器学习技术。此外，对于一个可靠的CBIR系统，在所得到的低维表示中的每个维度必须与神经学上可解释的区域相关联。我们提出了一个本地化的变分自动编码器（Loc-VAE），提供神经解剖学解释的低维表示从3D脑MR图像的临床CBIR。Loc-VAE是基于$β$ -VAE的附加约束，即低维表示的每个维度对应于大脑的局部区域。所提出的Loc-VAE能够获得保留疾病特征并且高度局部化的表示，即使在高维压缩比（4096：1）下。Loc-VAE获得的低维表示与幼稚$β$ -VAE相比，将每个维度的局部性测量提高了4.61个点，同时保持了可比较的脑重建能力和关于阿尔茨海默病诊断的信息。
2022-10-02 cs.CV cs.IR cs.LG
Generative Sampling in Bundle Tractography using Autoencoders (GESTA)
Université de Sherbrooke（舍布鲁克大学）；Université Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；CEA（法国原子能和替代能源委员会）；Imeka Solutions inc.（Imeka解决方案公司）
当前的纤维束成像方法使用局部取向信息来从种子位置传播流线。许多这样的种子提供的流线过早停止或未能映射真正的白质通路，因为一些束比其他束“更难跟踪”。这导致纤维束成像重建具有较差的白质和灰质空间覆盖。在这项工作中，我们提出了一种基于自动编码器的生成方法，名为GESTA（使用自动编码器在束追踪成像中进行生成采样），该方法可以产生流线，实现更好的空间覆盖。与其他深度学习方法相比，我们基于自动编码器的框架使用单个模型以逐行方式生成流线，并且不需要传播局部方向。GESTA为任何给定的白质束产生新的和完整的流线，包括难以跟踪的束。应用于给定的纤维束图之上，GESTA被证明是有效的，在人口稀少的束，无论是在合成和人脑在体内的数据，在改善白质体积覆盖。我们的流线评价框架，确保流线产生的GESTA是解剖学上合理的，适合当地的扩散信号。流线评价标准评估解剖结构（白质覆盖）、局部取向对准（方向）和流线的几何特征，以及可选的灰质连接。因此，GESTA是一种新的深生成束纤维束成像方法，可用于改善白质纤维束成像重建。
2023-02-10 cs.CV cs.LG eess.IV
