Mapping how local perturbations influence systems-level brain dynamics
人类大脑表现出相对稳定的时空组织,支持大脑功能,并可以通过局部脑刺激进行操纵。这种对局部皮层动力学的扰动被不同的神经系统全局整合。然而,神经活动的局部变化如何以及为什么影响大规模系统动力学仍然不清楚。在这里,我们简要回顾了经验和计算研究,解决如何本地化扰动影响大脑活动。然后,我们系统地分析了一个大规模的大脑动力学模型,评估了不同部位大脑活动的局部变化如何影响全脑动力学。我们发现,局部刺激诱导大脑活动的变化,可以概括为相对平滑的调谐曲线,这涉及到一个区域的有效性作为一个刺激位点,其在皮层层次结构中的位置。我们的研究结果也支持这样的观点,即大脑中枢,在一个较慢的制度,更有弹性的焦点扰动和关键有助于保持稳定的全球大脑动力学。相比之下,以更快的活动为特征的周边区域的扰动对功能连接具有更大的影响。作为一个平行的区域水平的结果,我们还发现,周边系统,如视觉和感觉运动网络更受局部扰动比高层次的系统,如扣带-鳃盖网络。我们的研究结果强调了外围到核心层次结构的重要性,以确定局部刺激对大脑网络的影响。我们还提供了新的资源,以定向的经验工作,旨在操纵功能连接使用非侵入性脑刺激。
2016-09-02 q-bio.NC
Computational modelling of Parkinson's disease: A multiscale approach with deep brain stimulation and stochastic noise
University of Manitoba(曼尼托巴大学)
本研究提出一种统一微观与宏观尺度的协同仿真多尺度建模方法,结合脑深部刺激与随机噪声,揭示了丘脑脉冲活动特征及噪声对神经变异性的主要贡献,为帕金森病动态机制及临床应用提供新见解。
2025-09-16 q-bio.NC
The Intrinsic Properties of Brain Based on the Network Structure
目的:大脑是帮助生物适应环境的奇妙器官。网络是大脑最基本的结构,但一个简单的网络的能力还不是很清楚。在本研究中,我们试图仅从网络的性质来阐述某些脑功能。方法:将每个网络等效为一个简化网络,用一个方程组表示。在数学推导的基础上,用基本方程描述了方程组的动态特性。结果(1)在封闭网络中,神经元的稳定性取决于兴奋性突触和抑制性突触的比例。集合中的尖峰概率可以满足非线性方程组的解。(2)网络活动在不同的刺激下可以自发地演化成一定的分布,这与决策密切相关。(3)短记忆可以通过网络组件的耦合来形成。结论:网络的基本性质可能有助于一些重要的脑功能。
2019-11-02 cs.NE q-bio.NC
Optimally controlling the human connectome: the role of network topology
为了满足持续的认知需求,人类大脑必须从一种大脑状态无缝转换到另一种状态,在这个过程中利用不同的认知系统。大脑的解剖连接网络是如何帮助促进这种转变的?这个网络的哪些特征有助于使一个过渡容易而另一个过渡困难?在这里,我们使用网络控制理论来解决这些问题。我们计算最佳输入信号,以驱动大脑进入和离开由不同认知系统主导的状态。输入信号使我们能够评估不同大脑区域的贡献。我们表明,这种贡献,我们衡量的能量,与区域的加权度。我们还表明,网络的可沟通性,一个衡量大脑区域之间的直接和间接连接,预测在何种程度上大脑区域补偿时,输入到另一个区域被抑制。最后,我们确定了大脑应该开始(和结束)的最佳状态,以最大限度地减少过渡能量。我们发现,最佳的目标状态显示高活性的枢纽地区,暗示大脑的丰富的俱乐部。此外,当富人俱乐部组织被破坏时,与状态转换相关的能量成本显著增加,这表明大脑区域的丰富性使它们成为理想的目标。
2016-03-16 q-bio.NC
Point process analysis of large-scale brain fMRI dynamics
功能性磁共振成像(fMRI)技术为我们了解大脑功能做出了重大贡献。目前的方法是基于脑血氧水平依赖性(BOLD)信号中的\emph{gradual and continuous}变化的分析。与该方法不同,最近的工作表明,通过仅检查相对大幅度的BOLD信号峰值可以获得等效的结果,这表明相关信息可以浓缩在\emph{discrete}事件中。这里进一步探讨了这个想法,以证明如何通过这些事件的时间和位置来捕获静息状态下的大脑动力学,即,在时空点过程中。作为原理证明,我们表明可以从这样的点过程中提取静息状态网络(RSN)映射。此外,分析揭示了雪崩的活动,这是由相同的动力学和统计特性之前所描述的神经元事件在较小的尺度。鉴于静息状态脑动力学的功能相关性,其表示为离散过程可能有助于大规模分析健康和疾病中的脑功能。
2011-07-22 cond-mat.dis-nn q-bio.NC
Towards principles of brain network organization and function
本文综述借鉴统计物理、网络理论和信息论的脑网络统计分析方法,按尺度梳理神经回路组织原理,并提出跨尺度建模方向。
2024-08-05 cond-mat.stat-mech physics.bio-ph q-bio.NC
Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph Convolutional Network
大脑解码是利用神经活动来识别大脑状态的一种方法,对认知神经科学和神经工程具有重要意义。然而,现有的用于基于fMRI的大脑解码的机器学习方法或者遭受低分类性能或者较差的可解释性。在这里,我们解决这个问题,提出了一个生物启发的架构,时空金字塔图卷积网络(STpGCN),捕捉功能性大脑活动的时空图表示。通过设计多尺度时空通路和自底向上通路来模拟大脑中的信息处理和时间整合,STpGCN能够通过图形明确地利用大脑活动的多尺度时间依赖性,从而实现高的大脑解码性能。此外,我们提出了一种称为BrainNetX的敏感性分析方法,通过从脑网络的角度自动注释与任务相关的大脑区域来更好地解释解码结果。我们对人类连接组计划(HCP)S1200的23个认知任务下的fMRI数据进行了广泛的实验。结果表明,与竞争基线模型相比,STpGCN显著提高了大脑解码性能; BrainNetX成功地注释了任务相关的大脑区域。基于这些区域的事后分析进一步验证了STpGCN的层次结构对模型的可解释性、鲁棒性和泛化性有显著贡献。我们的方法不仅提供了在多个认知任务下大脑中的信息表征的见解,但也表明了一个光明的未来,基于fMRI的大脑解码。
2022-10-08 cs.NE eess.SP q-bio.NC
Path-dependent connectivity, not modularity, consistently predicts controllability of structural brain networks
人类大脑显示出丰富的交流动态,这被认为是特别好地反映在其显着的社区结构。然而,结构性大脑网络中的社区结构与由此产生的通信动态之间的精确关系还没有得到很好的理解。除了提供对网络系统的结构-功能关系的洞察之外,这种理解是朝着以有针对性的方式操纵大脑大规模动态活动的能力迈出的关键一步。我们调查的作用,社区结构的可控性结构脑网络。在区域一级,我们发现,某些网络措施的社区结构有时统计相关的措施的线性可控性。然而,我们随后证明了这种关系取决于网络边缘权重的分布。我们强调社区结构和可控性之间的关系的复杂性,通过使用正则图模型进行数值模拟,不同的中尺度架构和边缘权重分布。最后,我们证明了加权子图中心性(一种植根于图谱的度量,并且可以捕获更高阶的图架构)是可控性的更强、更一致的预测因子。我们的研究有助于了解大脑的不同中尺度结构如何支持瞬态通信动态。
2020-12-18 q-bio.NC
Dynamic Brain Transformer with Multi-level Attention for Functional Brain Network Analysis
Emory University(埃默里大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出动态脑Transformer(DART),结合静态与动态脑网络,利用多层级注意力机制分析功能性脑网络,以提升预测性能、增强可解释性,并解决低信噪比问题。
2023-09-05 cs.AI cs.LG q-bio.NC
Neural Signatures of Motor Skill in the Resting Brain
中风引起的大规模皮层网络的干扰被认为与运动缺陷的程度有关。我们认为,确定代表运动行为的大脑网络在休息的大脑将为当前的神经康复方法提供重要的见解。特别是,我们的目标是调查全球配置的大脑节律及其与运动技能的关系,而不是广泛研究的学习性能。我们经验性地接近这个问题,进行三维物理空间视觉学习实验,在脑电图(EEG)数据记录与37名健康参与者。我们证明,作为受试者运动技能的量化测量的平均运动平滑度的跨受试者变化可以从实验前记录的静息状态EEG α节律(8-14 Hz)的全局配置来预测。重要的是,这种运动技能的神经特征被发现与任务正交(独立于任务)-以及与学习相关的阿尔法节奏变化,我们将其解释为大脑的组织原则。我们认为,这种配置在大脑中的干扰可能会导致中风的运动缺陷,并通过神经反馈重新配置中风患者的脑节律可能会提高中风后神经康复。
2019-07-22 eess.SP q-bio.NC
Interpretability of artificial neural network models in artificial Intelligence vs. neuroscience
本文区分 AI 与神经科学对 ANN 可解释性的不同定义,主张二者可并行独立推进,并指出特征可视化和归因技术需结合大脑对应才具神经科学意义。
2022-06-07 q-bio.NC
Critical and resonance phenomena in neural networks
大脑节律对大脑功能的各个方面都有影响。在这里,我们研究的关键和共振现象之前出现的脑节律。使用的分析方法和模拟的神经网络与随机神经元在噪声的存在下,我们表明,自发出现的网络振荡的动态(非平衡)相变在一个临界点确定的噪声水平,网络结构,兴奋性和抑制性神经元之间的平衡,和其他参数。我们发现,神经活动的弛豫时间到一个稳定的状态,响应周期性刺激的振荡频率,阻尼振荡的振幅,和神经活动的随机波动时,接近临界点的过渡显着增加。
2012-11-24 cond-mat.dis-nn physics.bio-ph q-bio.NC
Message interaction dynamics covary with brain volume across mammalian connectomes
Hobart and William Smith Colleges(霍巴特和威廉史密斯学院);U.S. Department of Veterans Affairs(美国退伍军人事务部);Constructor University(_constructor大学)
该研究采用CSA模型发现哺乳动物连接组中传播消息的交互动力学与脑体积协变,消息存活率可解释多数脑体积方差,为脑网络通信机制提供了新见解。
2026-11-02 q-bio.NC
BrainNet-MoE: Brain-Inspired Mixture-of-Experts Learning for Neurological Disease Identification
The University of Texas at Arlington(德克萨斯大学阿灵顿分校);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校);University of Cambridge(剑桥大学);University of Sheffield(谢菲尔德大学);The University of Georgia(佐治亚大学)
本文提出受脑分层组织启发的BrainNet-MoE模型,通过疾病特异性专家群组、门控机制与transformer通信实现AD与LBD的准确鉴别,兼具高分类精度与可解释性。
2025-03-05 cs.AI cs.LG q-bio.NC
Evolutionary paths to lateralization of complex brain functions
一般来说,大多数动物的大脑呈现出两个镜像对称的侧面;但仔细观察就会发现一系列的不对称(在形状和功能上),这些不对称在认知更复杂的物种中似乎更突出。维持对称、冗余的神经回路会产生相关的代谢成本,但它可能有助于在嘈杂的环境或有缺陷的部分中实施计算。有人认为,计算任务的复杂性可能在将双侧对称回路打破为完全侧化回路方面发挥了作用;然而,关于这种机制如何工作的严格的数学基础理论仍然缺失。在这里,我们提供了这样一个数学框架,从最简单的假设开始,但将我们的结果扩展到一个全面的生物和计算相关的场景。我们在数学上表明,只有完全偏侧或双边的解决方案是相关的,在我们的框架内(解雇配置中,电路只有部分参与)。我们提供的地图显示,当这些配置是首选取决于成本,贡献健身,电路可靠性和任务的复杂性。我们讨论了从双边到偏侧配置和其他可能的结果的演变路径。这些结果的进化,发展和康复受损或老化的大脑的影响进行了讨论。我们的工作构成了一个限制的情况下,应约束和基础类似的映射时,其他方面(除了任务的复杂性和电路的可靠性)被认为是。
2021-12-01 q-bio.NC
Interpretation of 3D CNNs for Brain MRI Data Classification
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
深度学习在许多医学图像分析任务中显示出很高的潜力。神经网络可以处理全尺寸数据,而无需大量的预处理和特征生成,因此不会丢失信息。最近的研究表明,利用卷积神经网络(CNN)可以在MRI上发现特定脑区的形态差异。然而,现有模型的解释是基于感兴趣的区域,不能扩展到整个图像上的体素图像解释。在目前的工作中,我们考虑了年轻健康受试者的大规模开源数据集的分类任务-探索男性和女性之间的大脑差异。在本文中,我们扩展了以前的研究结果在性别差异的扩散张量成像T1脑MRI扫描。我们提供了逐体素的3D CNN解释,比较了三种解释方法的结果:有意义的扰动,Grad CAM和引导反向传播,并与开源库一起贡献。
2020-10-14 cs.CV cs.LG eess.IV
A Linear Generative Framework for Structure-Function Coupling in the Human Brain
本研究提出线性生成框架,从弥散加权成像结构连接预测静息态功能连接,揭示整合器与调解器枢纽的不同作用,并通过虚拟损伤实验阐明结构损伤对功能网络的级联影响。
2025-07-08 q-bio.NC q-bio.QM
Fusion Learning from Dynamic Functional Connectivity: Combining the Amplitude and Phase of fMRI Signals to Identify Brain Disorders
Guangdong Provincial Key Laboratory of Multimodal Big Data Intelligent Analysis(广东省多模态大数据智能分析重点实验室);School of Computer Science and Engineering, South China University of Technology(华南理工大学计算机科学与工程学院)
提出多尺度融合学习框架MSFL,结合滑动窗口相关和相位同步两种互补的动态功能连接特征,在自闭症和抑郁症数据集上显著优于现有模型。
2026-06-12 cs.AI q-bio.NC
The hands of time: Moving my body to keep time order in the brain
Université Pau et pays de l’Adour(波城大学);laboratory MEPS – STAPS Tarbes(塔布MEPS-STAPS实验室)
本文提出通过行为使大脑与外部世界互动,以维持时间顺序,挑战传统对大脑作为信息处理网络的看法。
2025-12-23 q-bio.NC
Exploring Brain Networks Using Noninvasive Electrophysiological Measurements: Methods and Applications
University of Southern California(南加州大学)
该研究围绕使用EEG和MEG探索脑网络展开,阐述了其物理原理、正逆问题等方法基础及实际工作流程,涵盖多种连通性测量方法和新兴途径,为相关研究人员和学生提供了概念与实践指导。
2026-07-21 math-ph math.MP q-bio.NC
Multilayer motif analysis of brain networks
在过去的十年中,网络科学为人类大脑不同区域之间的结构(解剖学)和功能(活动中的相关性)连接提供了新的线索。对大脑网络的分析使我们有可能检测到神经系统的中心区域,并通过观察过多的小的子图(称为基序)来识别其构建模块。然而,到目前为止,大脑的网络分析主要集中在解剖和功能网络作为独立的实体。最近开发的多层网络的数学框架允许对人脑进行分析,其中结构层和功能层被一起考虑。在这项工作中,我们描述了如何对多重网络的子图进行分类,并将基序分析扩展到具有任意层数的网络。然后,我们提取多层图案的健康受试者的大脑网络考虑两层,解剖和功能,分别从扩散和功能磁共振成像网络。结果表明,子图中存在的大脑区域之间的物理连接(链接在结构层)共存的非平凡的正相关性,在他们的活动是统计上过剩。最后,我们研究了两层之间的强化机制的存在,通过观察在一层中找到链接的概率如何取决于另一层中连接的强度。我们的工作表明,功能连接受到底层解剖网络的非平凡约束,有助于更好地理解人脑结构和功能之间的相互作用。
2016-10-06 cond-mat.dis-nn physics.soc-ph q-bio.NC
Stochastic encoding of graphs in deep learning allows for complex analysis of gender classification in resting-state and task functional brain networks from the UK Biobank
University of Cambridge(剑桥大学);Cambridge University(剑桥大学)
使用卷积神经网络(CNN)对全脑功能连接MRI数据进行分类已显示出前景,但这些模型的复杂性阻碍了对大脑活动的哪些方面有助于分类的理解。虽然已经开发了可视化技术来解释CNN,但编码抽象输入数据的方法中固有的偏见以及深度学习模型的自然变化会降低这些技术的准确性。我们在CNN的集成中引入了一种随机编码方法,以按性别对功能性连接体进行分类。我们将我们的方法应用于英国生物银行的休息状态和任务数据,使用两种可视化技术来测量三个参与任务和休息状态的大脑网络的显着性及其相互作用。为了回归头部运动、年龄和颅内容积等混杂因素,我们引入了一种多变量平衡算法,以确保数据中此类协变量在类别之间分布均匀。最终AUROC为0.8459。我们发现,休息状态数据比任务数据更准确地分类,内部显着性网络在休息状态数据的分类和任务数据中与中央执行网络的连接中发挥着最重要的作用。
2020-05-27 cs.LG q-bio.NC stat.ML
Mining the Mind: Linear Discriminant Analysis of MEG source reconstruction time series supports dynamic changes in deep brain regions during meditation sessions
冥想练习已经被认为对情绪和情绪的调节有积极的影响,最近一段时间,人们一直在努力提供更精确的描述冥想对人类大脑的影响。纵向研究报告了由于冥想练习而导致的选定大脑区域的皮质厚度和体积的形态学变化,这被解释为超越主观自我报告的有效性的证据。基于通过功能成像方式(例如MEG或EEG)实时监测冥想大脑的证据仍然是一个挑战。在这篇文章中,我们认为MEG数据收集在冥想会议的经验丰富的佛教僧侣练习集中注意力(Samatha)和开放的监测(Vipassana)冥想,与休息状态下闭上眼睛。MEG数据首先映射到在对应于标准Destrieux脑图谱的脑区域上平均的脑活动的时间序列,并且进一步通过自举和频谱分析映射到表示在对应于频谱范围中的$α$、$β$、$γ$和$θ$频带的带宽上的功率谱密度的随机样本的数据矩阵。我们证明使用线性判别分析(LDA),对应于不同的冥想或休息状态的样本包含足够的指纹的大脑状态,以允许不同的状态之间的分离,我们确定的大脑区域,似乎有助于分离。我们的研究结果表明,扣带皮层,岛叶皮层和一些内部结构,最显着的丘脑,尾状核和壳核,丘脑和杏仁核作为分离的区域,这似乎与早期的纵向研究结果相关。
2021-01-29 cs.NA math.NA q-bio.NC
Brain Connectivity Impairments and Categorization Disabilities in Autism: A Theoretical Approach via Artificial Neural Networks
自闭症谱系障碍(ASD)是一种严重损害沟通和社会功能的发育障碍,也表现出与精神僵化,重复行为和抽象推理困难有关的方面。此外,兴奋性和抑制性大脑状态之间的不平衡,以及皮层连接中断,是自闭症行为的根源。我们的主要目标是揭示这些局部兴奋性失衡和/或长脑连接中断与上述认知特征之间的联系。我们开发了一个基于自组织映射(SOM)的理论模型,其中一个三级人工神经网络定性地结合了在ASD患者大脑中观察到的这些变化。我们的模型的计算模拟表明,高兴奋状态或长距离连接不足是认知改变的起源,如分类困难和心理僵化。更具体地说,在皮层地图开发中兴奋性突触到达区域的扩大导致低分类(过度选择性)和差的概念形成。而且,局部兴奋性突触的过度强化和长距离连接不足,尽管通过不同的机制,有助于受损的分类(选择性不足)和精神僵化。我们的研究结果表明,如何,在一起,局部和全球的大脑连接性的改变引起损坏的皮层结构在不同的方式和不同的皮层区域。这些改变会破坏感官刺激的编码、概念的表征,从而破坏分类的过程--通过这种方式,严重限制了自闭症推理中的心理灵活性和概括能力。
2018-11-16 cs.NE q-bio.NC
Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution
Northwestern Polytechnical University(西北工业大学);University of Texas at Arlington(德克萨斯大学阿灵顿分校);University of Georgia(佐治亚大学)
由于脑回和脑沟(皮质折叠模式的两个基本解剖结构模块)被认为具有不同的功能作用,因此从大脑功能到脑回脑沟模式的精确映射可以为生物和人工神经网络提供深刻的见解。然而,由于脑功能区/网络之间的高度非线性关系、个体间巨大的差异性以及脑功能区/网络分布的复杂描述,使得空间模式尚未被考虑,因此至今缺乏一个通用的理论和有效的计算模型。我们采用静息态fMRI的脑功能梯度来嵌入功能连接模式的“渐进”变化,并开发了一种新的注意力网格卷积模型来预测个体大脑的皮质回沟分割图。网格上的卷积考虑了皮质片上的功能梯度和折叠模式的空间组织,新设计的通道注意块增强了不同功能梯度对皮质折叠预测的贡献的可解释性。实验表明,通过我们的模型的预测性能优于其他国家的最先进的模型。此外,我们发现主导功能梯度对折叠预测的贡献较小。在最后一层的激活图上,一些研究得很好的皮层标志被发现在高度激活区域的边界上,而不是在高度激活区域内。这些结果和发现表明,一个专门设计的人工神经网络可以提高大脑功能和皮质折叠模式之间映射的精度,并可以为神经科学提供有价值的洞察大脑解剖功能的关系。
2022-05-21 cs.CV eess.IV q-bio.NC
Clarifying Cognitive Control and the Controllable Connectome
认知控制研究者旨在描述支持适应性认知以实现特定目标的过程。控制理论家考虑如何影响系统的状态,以达到某些用户定义的目标。在大脑网络中,认知控制和控制理论之间的一些概念和词汇相似之处为科学发现提供了有吸引力的途径。然而,这些机会也伴随着概念混乱的风险。在这里,我建议每个研究领域都继续产生新颖而独特的见解。然后,我描述了协同研究的机会,在这些子学科的交叉点与批判的立场,减少概念混淆的风险。通过这个练习,我们可以观察到,认知神经科学和系统工程都有很大的贡献,在人类大脑网络的认知控制研究。
2018-06-01 q-bio.NC
Parsing spatiotemporal dynamical stability in ECoG during seizure onset, propagation, and termination
了解癫痫的脑动力学对于建立严格的控制目标至关重要,这些目标使新的治疗方法能够减轻癫痫发作的发生。在21名受试者共94次癫痫发作期间获得的多通道皮层脑电图(ECoG)记录中,我们应用动力系统稳定性分析来评估不同时间尺度和大脑区域癫痫发作动力学的平衡与不平衡。具体而言,我们考虑一个滑动时间窗口的多变量自回归线性近似的ECoG通道,其中估计的系数矩阵的特征分解描述了不同区域的时空过程(特征向量)与特定的时间尺度(特征值)的贡献所捕获的数据。有趣的是,我们观察到的特征值演变和缓慢变化(或近似时不变)的特征向量在癫痫发作和主题的模式。发病的特点是高频空间信息的增加,其中一些地区的贡献很长一段时间。相比之下,癫痫发作终止的特征在于多个区域促成的动力学的突然、小的时间段变化。当癫痫发作终止时,相对稳定的发作动力学迅速过渡到发作后状态,以相对快速的阻尼振荡为标志。我们的方法提供了一个特定主题的癫痫发作的时空行为的表征,提供了新的见解的动态模式和功能之间的相互作用,发生在不同的时间尺度的大脑区域。更一般地说,我们的方法通知工程目标,可用于部署新的控制策略,以防止癫痫发作的演变或加快癫痫发作终止的发展。
2017-06-26 q-bio.NC
Unified Topological Inference for Brain Networks in Temporal Lobe Epilepsy Using the Wasserstein Distance
本文提出一种基于Wasserstein距离的无模型统一拓扑推断框架,应用于两个中心的颞叶癫痫rs-fMRI数据,实现对拓扑差异贡献最大脑区的定位,且对性别和采集变异具有鲁棒性。
2023-09-20 q-bio.NC
Identifying interactions across brain areas while accounting for individual-neuron dynamics with a Transformer-based variational autoencoder
Carnegie Mellon University(卡内基梅隆大学)
提出GLM-Transformer混合模型,结合深度潜变量与广义线性模型,在去除背景波动干扰的同时识别跨脑区定向耦合,并在合成及真实数据上验证了其有效性。
2025-10-24 q-bio.NC
ConnectomeDiffuser: Generative AI Enables Brain Network Construction from Diffusion Tensor Imaging
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究所);Department of Computer and Information Science, University of Macau(澳门大学计算机与信息科学系);Department of Mathematics, Hong Kong Baptist University(香港 Baptist大学数学系)
针对DTI脑网络构建中操作主观且难以捕获复杂特征的问题,提出基于扩散模型的端到端框架ConnectomeDiffuser,结合Template Network、扩散模型与图卷积网络,显著提升了脑网络构建的保真度与神经退行性疾病诊断准确率。
2025-05-23 cs.AI cs.CV q-bio.NC
Structural subnetwork evolution across the life-span: rich-club, feeder, seeder
发育和衰老过程对大脑连接和连接体的影响已被广泛研究。网络理论测量和某些拓扑原则是从整个大脑计算的,但是需要分离和理解对这些观察到的整体连接组学改变有贡献的底层子网络。其中一个组织原则是富人俱乐部(rich-club),这是一个大脑区域的核心子网络,这些区域紧密相连,形成了一个高成本、高容量的骨干网络,对网络中的有效沟通至关重要。研究主要集中在其随疾病和年龄的变化。在这里,我们提出了一个系统的分析,不仅丰富的俱乐部,但也来自这个骨干网的其他子网-即馈线和种子子网。我们的分析适用于结构连接体在一个正常的队列从一个大型的,公开的寿命研究。我们展示了丰富的俱乐部会员随着年龄的变化,同时从“外围”播种机的重要性转移到馈线子网络。我们的研究结果表明,丰富的俱乐部结构内的细化(增加传递性和介数中心性),以及提高效率的馈线子网络和减少措施的网络集成和隔离的种子子网络。这些结果表明,不同的发展模式时,根据其丰富的俱乐部分层的连接体分析和利用这个子网络分析,以揭示整个生命周期的大脑结构变化的演变的潜力。
2018-09-16 q-bio.NC
Contribute to balance, wire in accordance: Emergence of backpropagation from a simple, bio-plausible neuroplasticity rule
Johns Hopkins University(约翰斯·霍普金斯大学)
针对反向传播(BP)的生物合理性争议,提出一种基于E-I平衡和逆行信号、在三个时间尺度运行的神经可塑性规则,数学证明其可精确复制分层网络BP,模拟显示能诱导不同群落结构,为BP的生物实现提供框架。
2025-04-14 cs.LG cs.NE q-bio.NC
Brain functions emerge as thermal equilibrium states of the connectome
本研究提出代数量子模型,证明大脑功能作为连接组的热平衡态涌现,并通过功能连接组和整合能力指数揭示结构-功能关系。
2025-08-06 cond-mat.dis-nn cond-mat.stat-mech math.OA
Opto-magnetic imaging of neural network activity in brain slices at high resolution using color centers in diamond
我们提出了一种新的方法,用于脑切片的神经网络动力学的宽场成像,该方法使用基于金刚石中的氮空位(NV)中心的高灵敏度磁力测定法。脑切片的体外记录是一种经过验证的表征电神经活动的方法,并极大地促进了我们对控制神经信息处理机制的理解。然而,传统的记录只能同时从几个位置获取信号,这严重限制了它们表征底层神经网络动态的能力。我们建议从根本上扩大这种方法的范围,使用宽场成像的神经磁场通过NV磁力测量的切片。采用全面的计算模拟和理论分析,我们表征的神经磁场的时空特性,并推导出所需的关键性能参数的成像设置的基础上NV磁力。特别是,我们确定的技术参数如何确定可实现的空间分辨率的最佳重建的神经电流从测量的场分布。最后,我们将神经切片活动的成像与单个平面锥体细胞的成像进行了比较。我们的研究结果表明,神经切片活动的成像将有可能与即将到来的新一代的NV磁场传感器,而一个单一的平面细胞的活动成像仍然更具挑战性。
2017-08-21 physics.med-ph q-bio.NC quant-ph
Effects of Neural Heterogeneity on Spiking Neural Network Dynamics
大脑是由相互作用的神经元组成的复杂网络,这些神经元在其生理和尖峰特性方面表现出相当大的异质性。神经异质性如何影响宏观神经动力学,以及它如何促进神经动力学功能?在这封信中,我们解决这些问题,通过研究异质Izhikevich神经元网络的宏观动力学。我们推导出这些网络的平均场方程,并研究Izhikevich神经元尖峰阈值的异质性如何影响新兴的宏观动力学。我们的研究结果表明,抑制种群的异质性水平控制耦合兴奋性和抑制性神经元系统的共振和滞后特性。因此,神经异质性可以作为一种手段,以控制动态库的介观脑回路。
2022-06-17 nlin.AO q-bio.NC
Spectral Brain Graph Neural Network for Prediction of Anxiety in Children with Autism Spectrum Disorder
本文提出SpectBGNN模型,利用fMRI光谱特征和图光谱滤波层预测ASD儿童焦虑评分,并在对比实验中验证了FFT/PSD特征及滤波层的有效性。
2024-04-23 eess.IV q-bio.NC
On the nature of explanations offered by network science: A perspective from and for practicing neuroscientists
网络神经科学将大脑描述为区域和区域间连接的集合。鉴于其形式化系统级模型的能力,网络神经科学已经产生了对神经功能和行为的独特解释。这些解释的机械论地位,以及它们如何能够对整个神经科学领域做出贡献和适应,已经得到了哲学家们的认真对待。然而,这些哲学贡献还没有达到许多神经科学家。在这里,我们通过提供来自神经科学家的应用视角来补充正式的哲学努力。我们讨论了网络神经科学所提供的解释的机械状态,以及它们如何有助于,增强和与神经科学中其他类型的解释相互交织。在这样做时,我们依赖于有关因果关系,规模和机制在科学解释中的作用的哲学工作。特别是,我们作出的解释和支持该解释的证据之间的区别,我们认为一个无标度的机械解释的性质。在这些讨论的过程中,我们希望提供一个有用的应用框架,在这个框架中,网络神经科学的解释可以跨尺度地进行,并与神经科学的其他领域相结合,以获得对大脑和行为的更深入的了解。
2019-11-12 q-bio.NC
Microcircuit synchronization and heavy tailed synaptic weight distribution in preBötzinger Complex contribute to generation of breathing rhythm
前波青格复合体是哺乳动物吸气节律发生器,将吸气时间编码为运动模式。在这个稀疏连接的网络中的尖峰同步产生吸气爆发,尽管在每个呼吸周期中吸气前活动开始后具有可变的延迟。使用preBötC节律性微电路最小模型,我们研究了突发的概率和潜伏期的变化,模仿实验。在具有实验确定的神经元和突触参数的1000个点神经元的各种生理上合理的图中,有向Erdens-Rényi图最好地捕捉了实验观察到的动态。从机制上讲,preBötC(去)同步和振荡动力学是由发放神经元的传出连接调节的,发放神经元通过输入收敛控制适度吸气前活动的放大。此外,为了重复实验,突触权重的对数正态分布是必要的,以增强收敛一致输入的功效。这些机制使异常强大而灵活的preBötC吸引子动力学,我们假设,代表普遍的时间处理和决策的计算图案在整个大脑。
2020-12-23 cond-mat.dis-nn nlin.AO q-bio.NC
Deep learning in a bilateral brain with hemispheric specialization
Cerenaut;Luria Neuroscience Institute(卢里亚神经科学研究所)
本研究提出模拟生物大脑左右半球分别特化局部、全局特征的双侧人工神经网络,经图像分类任务验证其性能优于多数同容量基线,为AI系统提供新的归纳偏置思路。
2024-07-10 cs.AI cs.LG cs.NE
Objective Multi-variable Classification and Inference of Biological Neuronal Networks
生物神经元类型和网络的分类对充分理解大脑的组织和功能提出了挑战。在本文中,我们开发了一个新的生物神经元类型和网络的基础上的通信度量的客观分类模型。这相对于现有方法呈现出优势,因为从脉冲序列获得的神经元之间的互信息或延迟与常规形态数据相比是更丰富的数据。我们首先设计了两个开放获取的支持计算平台,分别是Neurpy和Neurgen。然后,我们研究如何网络断层扫描的概念可以实现与皮层神经元电路的形态,拓扑和电分类的神经元。我们将模拟数据提取到许多不同的分类器(包括SVM,决策树,随机森林和人工神经元网络)中,对特定的细胞类型(和子组类型)进行分类,准确率高达70%。利用网络断层扫描技术推断生物网络结构的准确率可达65%。我们还分析了五层、25个细胞m型和14个细胞e型分类的召回率、精确率和F1得分。我们的研究不仅有助于现有的分类工作,而且为未来使用细胞级脑机接口对神经元进行体内客观分类作为大脑结构的传感机制设定了路线图。
2020-03-28 cs.OH q-bio.NC