Brain2Music: Reconstructing Music from Human Brain Activity
Google(谷歌);Osaka University(大阪大学);NICT(日本信息通信研究机构);Araya Inc.(Araya公司)
通过fMRI数据和MusicLM模型,从人类脑活动重建音乐,揭示大脑对音乐的语义表征与生成机制
2023-07-20 cs.LG cs.SD eess.AS
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
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
Gauging functional brain activity: from distinguishability to accessibility
标准的神经成像技术不仅提供了对人脑解剖学的非侵入性访问,而且还提供了对人脑生理学的非侵入性访问。用这些技术记录的活动通常被称为功能成像,但观察到的本身是动态的实例,应该从中提取功能性大脑活动。区分裸动力学和真正的功能是一项非常重要的任务,但在比较实验观察和解释其意义时至关重要。在这里,我们说明了神经成像提取真正的功能性大脑活动的能力如何受到功能表征结构的限制。为此,我们首先从系统级脑成像的角度提供了一个简单的功能性脑活动的定义。然后,我们回顾如何的属性的空间上,大脑活动的代表允许定义的关系,从可访问性的观察到的成像数据。我们展示了这些属性是如何从动态数据和动态功能投影定义的结构中产生的,并考虑了一些影响,这些定义的方式和程度对标准系统级脑记录技术的实验数据的解释有影响。
2019-02-22 q-bio.NC
Second Sight: Using brain-optimized encoding models to align image distributions with human brain activity
University of Minnesota(明尼苏达大学)
本文提出Second Sight,通过迭代优化图像分布使其与体素级编码模型预测和人脑活动对齐,实现高质量图像重建,并揭示视觉皮层不同区域的收敛与表征差异。
2023-06-01 cs.CV cs.LG q-bio.NC
Learning differentially reorganizes brain activity and connectivity
人类学习是一个复杂的过程,在这个过程中,未来的行为通过大脑活动和连接的重组而改变。目前尚不清楚在学习过程中活动和连接是否会发生差异性重组,如果是的话,这种差异性重组如何跟踪不同大脑区域的学习阶段。在这里,我们通过在纵向fMRI实验中测量大脑活动和功能连接来解决这一知识差距,在这个实验中,健康的成年人参与者在四天的时间里学习新物体的价值。在学习过程中,受试者之间的活动或功能连接的相似性增加,反映了朝着共同功能架构的重组。我们评估了在价值学习和休息状态期间活动和连接的重组的存在,使我们能够区分常见的诱发过程与内在过程。我们发现大脑连接和活动的复杂和动态重组-作为时间,空间和性能的函数-在受试者学习时发生。在学习早期,空间定位的大脑活动在整个大脑中重组为共同的功能架构,这种重组跟踪早期学习表现。相比之下,随着训练的进行,空间分布的连接性在整个大脑中重组为一个共同的功能架构,这种重组会跟踪后来的学习表现。特别好的性能与粘性连接有关,这种连接一直持续到休眠状态。从广义上讲,我们的工作揭示了在价值学习的不同阶段,活动和连通性的重组的不同原则,这为正在进行的学习过程的研究提供了更广泛的信息。
2020-09-10 q-bio.NC
Correntropy-Based Logistic Regression with Automatic Relevance Determination for Robust Sparse Brain Activity Decoding
Tokyo Institute of Technology(东京工业大学);Xi’an Jiaotong University(西安交通大学)
针对高维脑活动信号中噪声导致稀疏分类性能下降的问题,提出基于相关熵的鲁棒稀疏逻辑回归算法,在合成、EEG和fMRI数据集上验证了更高准确率和更具信息量的特征选择。
2022-07-20 cs.LG q-bio.NC
Inducing brain-relevant bias in natural language processing models
Carnegie Mellon University(卡内基梅隆大学)
自然语言处理(NLP)模型估计单词序列的表示的进展最近被用来提高对大脑语言处理的理解。然而,这些模型并不是专门设计来捕捉大脑表示语言意义的方式的。我们假设,微调这些模型来预测人们阅读文本的大脑活动记录,将导致编码更多与大脑活动相关的语言信息的表征。我们证明了BERT,一个最近推出的强大的语言模型的版本,可以提高微调后的大脑活动的预测。我们发现,语言和大脑活动之间的关系,通过BERT在这种微调过程中学习转移到多个参与者。我们还表明,对于一些参与者来说,从脑磁图(MEG)和功能性磁共振成像(fMRI)中学习到的微调表示比从单独的fMRI中学习到的表示更好地预测fMRI,这表明学习到的表示捕获了大脑活动相关的信息,而不仅仅是模态的伪影。虽然语言表示的变化有助于模型预测大脑活动,但它们也不会损害模型执行下游NLP任务的能力。我们的发现对于大脑中语言理解的研究是值得注意的。
2019-10-29 cs.CL cs.LG q-bio.NC
The explanatory power of activity flow models of brain function
本文综述了活动流模型,它结合连接组与任务诱发活动,模拟激活生成,提供神经认知功能的机械性解释,优于纯预测模型,并展望其在脑疾病治疗中的应用。
2024-02-03 q-bio.NC
Using Branch Predictors to Monitor Brain Activity
神经假体和大脑监测接口的一个关键问题是它们需要极高的能效。降低能耗的一种方法是使用这些设备中嵌入的处理器上可用的低功耗模式。我们提出了一种技术来预测感兴趣的神经元活动可能发生时,使处理器可以运行在标称工作频率在这些时间,否则被放置在低功耗模式。为了实现这一点,我们发现分支预测器也可以预测大脑活动。通过对清醒和麻醉小鼠进行脑手术,我们评估了几个分支预测器,发现感知器分支预测器可以预测小脑活动,准确率高达85%。因此,我们增选分支预测器来指示何时在低功耗和正常操作模式之间转换,从而节省多达59%的处理器能量。
2017-05-19 q-bio.NC
Closed-loop neurostimulation in real-time for the treatment of pathological brain rhythms
精神障碍可能表现出病理性脑节律,神经刺激有望通过改变这些节律来缓解患者的症状。如今,大多数神经刺激方案是开环的,即,独立于可能产生次优治疗的患者大脑活动来管理实验刺激方案。我们提出了一个闭环反馈控制方案估计最佳刺激的基础上观察到的大脑活动。根据用户定义的目标频率分布选择最佳刺激,这允许实时调整大脑活动的频率。数学描述详细说明了主要的控制元素和应用程序,以生物逼真的模拟大脑活动说明该计划的可能权力在医疗实践中。临床相关性-所提出的神经刺激控制主题有望允许医务人员实时调整患者的大脑活动。
2023-03-20 q-bio.NC
Deep probabilistic model synthesis enables unified modeling of whole-brain neural activity across individual subjects
本文提出深度概率模型合成框架,通过整合系统属性数据,实现跨个体全脑神经活动的统一建模,提升单实例模型性能。
2026-10-14 cs.LG q-bio.NC
Reconstructing seen images from human brain activity via guided stochastic search
University of Minnesota(明尼苏达大学)
本研究提出结合条件生成扩散模型的引导式随机搜索方法,从7T fMRI大脑活动中解码语义描述符并迭代优化图像重建,不仅实现高质量重建,还发现视觉皮层不同区域收敛时间存在系统差异,为表征多样性测量提供新途径。
2023-05-02 cs.CV cs.LG eess.IV
Brain temperature: what it means and what it can do for (cognitive) neuroscientists
温度对从单细胞到神经回路水平的神经活动的各个方面的影响早已为人所知。然而,温度如何影响使用非侵入性成像技术的实验中典型的系统水平的活动,例如脑电图的磁脑成像,其中既不可能直接测量也不可能操纵,基本上是未知的。从它的基本物理定义开始,我们讨论了可能的方式,其中温度可以被用来作为一个参数,控制通过观察大脑活动的其他变量的演变,并作为一个集体变量描述大脑活动。这两个方面在与学习相关的大脑活动中得到了进一步的说明。最后,从实验数据中提取温度的方法进行了评论。
2013-10-10 q-bio.NC
Multi-view Multi-label Fine-grained Emotion Decoding from Human Brain Activity
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Center for Excellence in Brain Science and Intelligence Technology, Chinese Academy of Sciences(中国科学院脑科学与智能技术卓越创新中心)
从人脑活动中解码情感状态在脑机接口中起着重要作用。现有的情感解码方法主要存在两个局限性:一是只能从大脑活动模式中解码出单一的情感类别,解码后的情感类别粒度较粗,与人类复杂的情感表达不一致;二是忽略了人类大脑左右半球情感表达的差异性。在本文中,我们提出了一种新的多视图多标签混合模型,用于细粒度的情感解码(多达80个情感类别),可以学习表达性神经表征并同时预测多种情感状态。具体来说,我们的混合模型的生成组件是参数化的多视图变分自动编码器,其中我们认为大脑活动的左,右半球和他们的差异作为三个不同的视图,并使用专家机制的产品在其推理网络。我们的混合模型的歧视性组件实现了一个多标签分类网络与非对称焦点损失。为了更准确地解码情绪,我们首先采用标签感知模块进行情绪特定的神经表征学习,然后通过掩蔽的自我注意机制对情绪状态的依赖性进行建模。两个视觉诱发的情感数据集上的实验表明,我们的方法的优越性。
2022-10-26 cs.AI cs.HC cs.LG
Forecasting Whole-Brain Neuronal Activity from Volumetric Video
Google Research(谷歌研究院);Harvard University(哈佛大学);HHMI Janelia(霍华德·休斯医学研究所珍妮亚研究园区)
本文研究直接从体积视频预测全脑神经元活动,设计了具有大感受野的深度学习模型以捕捉长程依赖,并在ZAPBench基准上证明其优于基于轨迹的方法,凸显了保留空间结构的优势。
2025-02-27 cs.CV cs.LG q-bio.NC
Brain modularity controls the critical behavior of spontaneous activity
人类大脑呈现出一种由无标度的高度连接模块组成的复杂结构,这些模块通过较弱的链接松散地相互连接,形成一个小世界网络。这些特征出现在健康患者中,而神经系统疾病通常会改变这种结构。一个重要的悬而未决的问题是关于大脑模块化在维持自发活动的关键行为中的作用。在这里,我们分析了一个模型的神经元活动,成功地在非模块化网络上再现了实验数据中观察到的缩放行为,在模块化网络上实现了在人脑中测量的主要统计特征。我们表明,在一个模块化的网络,无论突触连接的强度或模块的大小和数量,活动从来没有完全无标度。神经元雪崩可以侵入不同的模块,导致活动抑制,阻碍进一步的雪崩传播。如果添加模块间连接,将模块修改为更随机的结构,则仅恢复关键行为。
2014-03-25 q-bio.NC
The Energy Landscape of Neurophysiological Activity Implicit in Brain Network Structure
神经科学中的一个关键谜团在于确定解剖结构如何影响人类思维的复杂功能动力学。大规模的大脑回路如何限制神经元活动的状态以及这些状态之间的转换?我们解决这些问题,使用最大熵模型的大脑动力学白质纤维束成像。我们证明,最可能的大脑状态-其特征在于最小的能量-显示共同的激活配置文件跨大脑区域:局部空间连续的大脑区域的集合,让人联想到认知系统的共同激活频繁。这些系统的预测激活率与在单独的静息状态fMRI数据集中测量的观察到的激活率高度相关,验证了最大熵模型在描述神经生理学动力学中的实用性。这种方法还提供了系统内活动能量和系统间共享活动能量的正式概念。我们观察到,系统内和系统间的能量干净地将认知系统分成不同的类别,优化了对综合与非综合的差异贡献。分离功能这些结果支持了能量和结构约束限制大脑动力学的观点,为认知系统在驱动全脑激活模式中所扮演的角色提供了新的见解。
2016-07-07 q-bio.NC
Predicting brain evoked response to external stimuli from temporal correlations of spontaneous activity
自发性和受激性脑活动之间的关系是理解脑功能的一个基本问题。在非平衡涨落耗散关系的背景下,从理论和实验两方面研究了这个问题。我们考虑随机粗粒度的Wilson-Cowan模型的线性噪声近似和比较分析结果的实验数据从脑磁图(MEG)的人脑。自发活动的自相关函数的短时间行为的特征在于双指数衰减,具有两个特征时间,相差两个数量级。相反,响应函数表现出一个单一的指数衰减与视觉刺激下的诱发活动的实验数据。结果表明,大脑对弱的外部刺激的反应,可以预测从自发活动的观察,并铺平了道路,在不同的外部扰动下的大脑反应的对照实验。
2020-09-04 cond-mat.dis-nn cond-mat.stat-mech q-bio.NC
Improving visual image reconstruction from human brain activity using latent diffusion models via multiple decoded inputs
Graduate School of Frontier Biosciences, Osaka University(大阪大学前沿生物科学研究生院);CiNet, NICT(日本信息通信研究机构脑信息通信融合研究中心)
本研究基于已有框架,结合文本解码、非线性优化和深度信息三种解码技术,改进从人脑活动重建视觉图像的准确性,并讨论使用大规模深度生成模型时的注意事项。
2023-06-20 cs.AI cs.CV q-bio.NC
Same Cause; Different Effects in the Brain
Princeton University(普林斯顿大学);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);Carnegie Mellon University(卡内基梅隆大学);Google Research(谷歌研究院)
为了研究大脑中的信息处理,神经科学家在记录参与者大脑活动的同时操纵实验刺激。然后,他们可以使用编码模型来找出从刺激属性预测哪个大脑“区域”(例如,哪个感兴趣区域、体积像素或电生理传感器)。考虑到这种设置的假设,当刺激属性预测区域中的活动时,这些属性被理解为导致该区域中的活动。近年来,研究人员已经使用神经网络来构建表征,以捕捉复杂刺激的不同属性,例如自然语言或自然图像。使用这些高维表征构建的编码模型通常能够显著预测大片皮层的活动,这表明所有这些大脑区域的活动都是由表征中捕获的刺激属性引起的。于是,人们自然会问:“这些不同脑区的活动是由刺激特性以相同的方式引起的吗?“用神经科学的术语来说,这相当于问这些不同的区域是否以相同的方式处理刺激特性。在这里,我们提出了一个新的框架,使研究人员能够询问刺激的属性是否以相同的方式影响两个大脑区域。我们使用模拟数据和两个真实的功能磁共振成像数据集与复杂的自然刺激,以表明我们的框架使我们能够做出这样的推论。我们的推论在两个数据集之间惊人地一致,这表明所提出的框架是神经科学家了解大脑如何处理信息的一个有前途的新工具。
2022-02-21 cs.AI cs.LG cs.NE
Inferring brain-computational mechanisms with models of activity measurements
高分辨率功能成像为动物和人类的大脑活动提供了越来越丰富的测量。一个主要的挑战是利用这些数据来深入了解大脑的计算机制。第一步是定义可以执行所讨论的行为任务的候选大脑计算模型(BCM)。然后,我们想推断出,哪一个候选的BCM最能解释测量的大脑活动数据。在这里,我们描述了一种通过测量模型(MM)补充每个神经元的方法,该模型模拟了大脑活动测量反映神经元活动的方式(例如,fMRI体素中的局部平均或阵列记录中的稀疏采样)。由此产生的生成模型(BCM-MM)产生模拟测量。为了避免拟合MM来预测脑活动数据的每个单独测量通道,我们在汇总统计量的水平上比较测量数据和预测数据。我们描述了这种方法的一种新的特定实现,称为概率RSA(pRSA)与测量模型,它使用代表性相异性矩阵(RDM)作为汇总统计。我们验证了这种方法的fMRI测量(局部平均体素)的基础上的深度卷积神经网络的视觉对象识别的模拟。结果表明,测量样本的活动模式的方式强烈影响了明显的代表性的差异。然而,测量过程的建模可以解释这些影响,并且即使在大量噪声下,不同的BCM仍然可以区分。pRSA方法使我们能够对BCM集执行贝叶斯推断,并在每种情况下识别数据生成模型。
2016-08-05 q-bio.NC
EyeBrain: Left and Right Brain Lateralization Activity Classification Through Pupil Diameter and Fixation Duration
RPTU Kaiserslautern-Landau \& DFKI GmbH Kaiserslautern Germany;Osaka Metropolitan University \& DFKI Lab Japan Osaka Japan;RPTU Kaiserslautern-Landau \& DFKI GmbH;Osaka Metropolitan University \& DFKI Lab Japan
本文通过瞳孔直径和注视持续时间有效区分左右脑活动,达到0.894的F1分数,表明眼动指标可用于认知监测和神经康复。
2026-04-26 cs.AI cs.HC q-bio.NC
Activity-dependent brain model explaining EEG spectra
大多数大脑模型专注于联想记忆或计算能力,使用生理学方法在实验上无法实现。在这里,我们提出了一个模型,解释了脑电图(EEG)的基本特征。我们的模型基于具有阈值放电和突触可塑性的电网络,该网络非常鲁棒地再现了医学脑电频谱的测量指数0.8,这是自组织临界性的有力证据。我们的结果在小世界格上也是有效的。我们建议,一个普遍的标度行为的特点,许多生理信号频谱的大脑控制的活动。
2004-11-23 q-bio.NC
Community structure and modularity in networks of correlated brain activity
我们提出了一种方法来研究功能的分离和整合在活的大脑社区结构分解的基础上确定的最大模块化。我们证明了这种方法与网络来自功能成像数据与节点定义的个别图像像素,和相关的信号变化方面的边缘。我们发现社区的解剖分布对应于生物学意义的结构,包括解剖学上等同的大脑区域之间的令人信服的功能细分。
2007-01-30 q-bio.NC
Temporal sequences of brain activity at rest are constrained by white matter structure and modulated by cognitive demands
多样化的白质网络和微调的神经元膜特性使大脑能够在认知状态之间无缝转换。然而,目前尚不清楚静态结构连接如何引导不同认知状态下大规模大脑活动模式的时间进展。在这里,我们分析了大脑的轨迹,通过一个高维的活动空间在单时间点活动模式的水平,从功能磁共振成像数据采集被动视觉固定(休息)和n-回工作记忆任务。我们发现,特定的状态空间轨迹,这代表了大脑活动的时间序列,调制的认知负荷和相关的任务性能。使用从相同的主题获得的扩散加权成像,我们使用网络控制理论的工具,以表明沿白质连接的活动的线性传播约束大脑的状态空间轨迹在休息。此外,考虑刺激驱动的视觉输入解释了在n-back任务期间采取的不同轨迹。我们还使用了网络重新布线的模型,以表明这些发现是白质结构的非平凡几何和拓扑特性的结果。最后,我们研究了年龄和时间分辨的大脑状态动态之间的关联,揭示了默认模式和执行控制网络功能变化的新见解。总体而言,这些结果阐明了认知和发育相关的时空脑动力学的结构基础。
2019-09-30 q-bio.NC
ZAPBench: A Benchmark for Whole-Brain Activity Prediction in Zebrafish
Google Research(谷歌研究院);Harvard University(哈佛大学);HHMI Janelia(HHMI珍妮莉亚研究园区);Radboud University(拉德堡德大学)
本文提出斑马鱼全脑活动预测基准ZAPBench,基于包含超7万个神经元4D光片显微记录的新数据集,评估时间序列与体积视频建模方法,推动脊椎动物全脑神经活动预测研究。
2025-03-04 cs.CV cs.LG q-bio.NC
Brain2Word: Decoding Brain Activity for Language Generation
ETH Zurich(苏黎世联邦理工学院)
大脑解码,被理解为将大脑活动映射到产生它们的刺激的过程,在过去几年中一直是一个活跃的研究领域。在语言刺激的情况下,最近的研究表明,有可能将功能磁共振成像扫描解码为受试者正在阅读的单词的嵌入。然而,这样的词嵌入是为自然语言处理任务而不是为大脑解码而设计的。因此,它们限制了我们恢复精确刺激的能力。在这项工作中,我们建议直接对fMRI扫描进行分类,将其映射到固定词汇表中的相应单词。与现有的工作不同,我们评估了以前看不见的主题的扫描。我们认为,这是一个更现实的设置,我们提出了一个模型,可以解码功能磁共振成像数据看不见的主题。我们的模型在这项具有挑战性的任务中实现了5.22%的Top-1和13.59%的Top-5准确率,显著优于所有考虑的竞争基线。此外,我们使用解码的单词来指导语言生成与GPT-2模型。通过这种方式,我们推进了对将大脑活动转换为连贯文本的系统的探索。
2020-11-11 cs.CL cs.LG q-bio.NC
Analyzing Brain Activity During Learning Tasks with EEG and Machine Learning
Illinois Mathematics and Science Academy(伊利诺伊数学与科学学院);Northern Illinois University(北伊利诺伊大学)
该研究采集 20 名受试者五项认知任务的四通道 EEG,基于功率谱密度比较多种机器学习模型,实现 91.07% 的任务分类并揭示不同脑区功能与连接特征。
2024-01-15 cs.LG eess.SP q-bio.NC
Brain activity on a hypersphere
神经科学的最新进展涉及中枢神经系统的功能结构,为提高我们对大脑活动的理解的整体理论铺平了道路。从拓扑学的角度来看,一个强有力的概念在理解大脑信号时发挥了作用,即信号到超球体上的连续映射,超球体是一个四维空间,具有甜甜圈状的形状,生活在三维世界中的观察者无法检测到。我们评估的基础上静息态功能磁共振成像系列的不可察觉的第四维的特征。特别是,我们寻找同时激活的对跖信号的表面上的皮质超球体。在这篇文章中,我们证明了自发脑活动显示的典型特征,揭示了存在一个功能性超球体。这里的建议是,大脑嵌入在一个超球体中,这有助于解决长期存在的关于我们心理活动的谜团,例如走神和记忆检索或连接过去和未来事件的能力。
2015-10-04 q-bio.NC
Model-based analysis of brain activity reveals the hierarchy of language in 305 subjects
Facebook AI Research(Facebook人工智能研究院);Université Paris-Saclay(巴黎萨克雷大学);Inria(法国国家信息与自动化研究所);CEA(法国原子能委员会);École normale supérieure(巴黎高等师范学院);PSL University(巴黎文理研究大学);CNRS(法国国家科学研究中心)
一种流行的方法来分解语言的神经基础,包括在不同的个体之间,大脑对不同刺激的反应(例如,正常的语音与混乱的单词,句子或段落)。虽然成功,这种“无模型”的方法需要收购一个大的和昂贵的神经成像数据集。在这里,我们表明,基于模型的方法可以达到相同的结果暴露于自然刺激的主题。我们利用最近发现的深度语言模型和人类大脑之间的相似性来计算i)大脑对常规语音的反应和ii)由修改的刺激(例如,混乱的单词,句子或段落)引起的深度语言模型的激活之间的映射。我们基于模型的方法成功地复制了Lerner等人(2011)的开创性研究,该研究通过比较7名受试者听7分钟常规和杂乱叙述的功能磁共振成像(fMRI)来揭示语言区域的层次结构。我们进一步将这些结果扩展并精确到305个人听了4.1小时的叙述故事的大脑信号。总的来说,这项研究为有效和灵活地分析语言的大脑基础铺平了道路。
2021-10-12 cs.AI cs.CL cs.LG
Modeling the dynamics of human brain activity with recurrent neural networks
编码模型用于预测大脑对感官刺激的反应,目的是阐明感官信息在大脑中的表现方式。编码模型通常包括刺激到特征的非线性变换(特征模型)和特征到响应的线性变换(响应模型)。虽然在开发更好的特征模型方面做了大量工作,但开发更好的响应模型的工作相当有限。在这里,我们研究递归神经网络模型可以在多大程度上使用其内部记忆的任意特征序列的非线性处理,预测功能磁共振成像测量的特征诱发反应序列。我们表明,所提出的递归神经网络模型可以通过准确估计驱动血流动力学反应的长期依赖性,显着优于已建立的反应模型。这一结果为模拟大脑对感官刺激的动态反应打开了一扇新的窗户。
2016-06-09 q-bio.NC
Kurt Lewin, psychological constructs and sources of brain cognitive activity
理解心-脑-环境的关系是心理学的关键课题之一。Kurt Lewin受到理论物理学的启发,试图建立拓扑和向量心理学,分析个人与环境之间的互动模式。重新制定他雄心勃勃的目标的时机已经成熟,他正在寻找用合适的心理结构来解释客观测量的大脑过程的方法。将认知和社会心理学结构与神经表型组学联系起来,就像现在在精神病学中所做的那样,应该使它们在物理现实中扎根。
2017-11-06 q-bio.NC
Scaling laws for decoding images from brain activity
Meta AI
该研究系统比较了四种非侵入式神经成像设备在单次试验图像解码中的表现,发现解码性能随记录量呈对数线性缩放且主要取决于单受试者数据量,为扩展非侵入式脑图像解码指明了方向。
2025-01-28 cs.AI cs.LG eess.IV
Decoding Generic Visual Representations From Human Brain Activity using Machine Learning
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
最近神经解码最令人印象深刻的应用之一是视觉表征解码,其中受试者看到或想象的物体的类别是通过观察他/她的大脑活动来推断的。尽管对上述视觉表示解码任务的兴趣越来越大,但没有广泛研究使用不同机器学习模型对解码准确性的影响。在本文中,我们为上述任务提供了几种机器学习模型的广泛评估,以及不同的相似性度量,得出了许多有趣的结论。这样,本文a)为开发更先进和准确的方法铺平了道路,b)为上述解码任务提供了广泛且易于重现的基线。
2018-11-05 cs.LG cs.NE q-bio.NC
Allometric scaling of brain activity explained by avalanche criticality
University of Campania “Luigi Vanvitelli”(坎帕尼亚路易吉范维特利大学);Universidade Federal do Ceará(塞阿拉联邦大学);Center for Complexity and Biosystems, Department of Physics, University of Milan(米兰大学复杂系统与生物系统中心);CNR - Consiglio Nazionale delle Ricerche, Istituto di Chimica della Materia Condensata e di Tecnologie per l’Energia(国家研究委员会凝聚态化学与能源技术研究所)
通过雪崩临界性理论,推导出亚线性活动-大小关系的解析标度律,并在神经元网络和自组织临界性模型中验证,揭示了大脑代谢异速缩放的基本机制。
2025-12-11 q-bio.NC
Combining cortical voltage imaging and hippocampal electrophysiology for investigating global, multi-time scale activity interactions in the brain
新一代分析神经活动的分子工具有助于阐明神经科学中的经典开放问题。随着增强的GEVI和先进的光学成像技术,电压成像技术已越来越多地用于观察大型电路的动态。在这一章中,我们描述了如何结合大脑皮层宽场电压成像与海马电生理清醒行为的小鼠。此外,我们强调这种方法如何可以用于不同的可能的调查。
2021-12-06 q-bio.NC
Quasi-universal scaling in mouse-brain neuronal activity stems from edge-of-instability critical dynamics
大脑处于一种永久的神经活动状态,即使没有特定的任务或刺激。阐明这种动态状态的起源和功能意义对于理解大脑如何传输、处理和存储信息至关重要。一个鼓舞人心的,虽然有争议的猜想提出,一些统计特征的经验观察神经元活动可以理解的假设,大脑网络的运作在一个动态的制度,接近边缘的相变。此外,由此产生的关键行为,其伴随的规模不变性,被认为是进行至关重要的功能优势。在这里,我们提出了一个数据驱动的分析,该分析基于对小鼠大脑不同区域中数千个单个神经元活动的同时高通量记录。为了分析这些数据,我们协同结合了研究大脑活动的尖端方法(如现象学重整化群方法和推断神经种群一般动力学状态的技术),同时设计了互补工具。这一策略使我们能够发现尺度不变性的强烈特征,这种特征在大脑区域中是“准普遍的”,并揭示所有这些区域都在或多或少的程度上接近不稳定的边缘。此外,这一框架使我们能够区分准普遍背景活动和非普遍输入相关活动。总之,这项研究提供了强有力的证据表明,大脑网络实际上是在一个关键的制度,除其他功能优势,为他们提供了一个规模不变的活动协方差,可以维持最佳的输入表示基板。
2022-07-07 cond-mat.stat-mech physics.comp-ph q-bio.NC
Frequency-dependent covariance reveals critical spatio-temporal patterns of synchronized activity in the human brain
研究提出一种探索跨频带临界性特征的新框架及时间依赖降维方法,应用于脑磁图数据揭示了健康人与帕金森病患者大脑活动模式的显著差异。
2024-03-22 cond-mat.dis-nn cond-mat.stat-mech physics.bio-ph
Multiscale Voxel Based Decoding For Enhanced Natural Image Reconstruction From Brain Activity
Drexel University(德雷塞尔大学)
从功能性磁共振成像(fMRI)监测的人类大脑活动中重建感知图像是困难的,特别是对于自然图像。现有的方法往往导致模糊和难以理解的重建与低保真度。在这项研究中,我们提出了一种新的方法,增强图像重建,其中现有的方法,对象解码和图像重建合并在一起。这是通过使用类条件生成对抗网络和神经风格转移将重建图像调节到其解码图像类别来实现的。结果表明,我们的方法提高了重建图像的语义相似性,可以作为一个通用的框架,增强图像重建。
2022-05-27 cs.CV cs.LG eess.IV
Spatiotemporal Dissociation of Brain Activity underlying Subjective Awareness, Objective Performance and Confidence
尽管最近有大量的研究,有意识的视觉感知的神经相关性仍然难以捉摸。研究有意识知觉背后的大脑机制的最成熟的范式是保持物理感觉输入恒定,并识别与有意识的变化内容相关的大脑活动。然而,这种基于意识内容的对比不仅会揭示直接有助于意识知觉的大脑活动,而且还包括在它之前或之后的大脑活动。为了解决这个问题,我们设计了一个范式,通过这个范式,我们收集了一次又一次的试验,客观表现,主观意识和主观意识的置信水平。使用健康志愿者的脑磁图记录,我们分离了这些不同认知现象背后的大脑活动。我们的研究结果提供了强有力的证据表明,广泛分布的慢皮层电位(SCP)与主观意识,即使在客观性能和信心的影响都被删除。有意识知觉的SCP相关性在其波形、相位和功率中表现得很强。相比之下,客观表现和信心都是由相对短暂的大脑活动贡献的。这些结果为意识、无意识和元认知加工的脑机制提供了新的线索。
2014-03-20 q-bio.NC
Decoding Brain Representations by Multimodal Learning of Neural Activity and Visual Features
University of Catania(卡塔尼亚大学);University of Central Florida(中佛罗里达大学)
这项工作提出了一种探索人脑视觉表征的新方法,以期在机器中复制这些过程。其核心思想是通过将人类神经活动与自然图像相关联来学习合理的计算和生物表示。因此,我们首先提出了一个模型,EEG-MeselNet,学习脑流形EEG分类。在验证了可以从EEG数据中提取视觉信息之后,我们引入了一种多模态方法,该方法使用在连体配置中训练的深度图像和EEG编码器来学习联合流形,该联合流形最大化视觉特征和大脑表示之间的兼容性度量。然后,我们进行图像分类和显着性检测的学习流形。性能分析表明,我们的方法令人满意的解码视觉信息的神经信号。反过来,这可以用来有效地监督深度学习模型的训练,正如图像分类和训练外类显着性检测的高性能所证明的那样。所获得的结果表明,学习的大脑视觉特征可以提高性能,同时使深度模型更符合与视觉感知和注意力相关的认知神经科学工作。
2020-04-18 cs.CV cs.LG q-bio.NC
What kind of noise is brain noise: anomalous scaling behavior of the resting brain activity fluctuations
“静息”脑区之间的持续相互作用定义了所谓的静息状态网络(RSN),其可以通过分析功能磁共振成像(fMRI)数据来重建。什么样的动力机制允许RSN的灵活的大规模组织仍然是一个重要的挑战。在这里,RSN的三个关键的新特性被发现。首先,相关长度(即,两个区域之间的相关性消失的长度)随着所考虑的集群的大小而发散。第二,这种分歧也被观察到的互信息的措施。第三,fMRI平均信号的方差在观察到的簇大小的整个范围内保持恒定,与天真的期望相反。揭示的尺度不变性揭示了RSN在非常不同的网络大小,架构和功能中的最佳信息共享特性,这可能是健康大脑动力学的重要标志。
2012-08-09 q-bio.NC
Activity-dependent epidemic spreading on multiscale brain networks predicts Alzheimer's disease progression
University of Pennsylvania(宾夕法尼亚大学);Wu Tsai Institute, Yale University(耶鲁大学吴氏研究所);Northeastern University(东北大学);Ludwig-Maximilians-Universität(路德维希-马克西米利安大学);Yale University(耶鲁大学)
该研究将神经元活性耦合到流行病动力学模型,结合多尺度脑网络分析,证实神经元活性是阿尔茨海默病病理扩散的关键驱动因素,其模型可预测疾病进展的空间模式与范围。
2026-08-14 q-bio.NC
OMiSO: Adaptive optimization of state-dependent brain stimulation to shape neural population states
提出脑刺激框架OMiSO,利用刺激前大脑状态并自适应优化参数,将神经群体活动驱动至指定状态,在猴子实验中优于竞争方法,提升了神经调控准确性。
2025-07-10 q-bio.NC
R&B -- Rhythm and Brain: Cross-subject Decoding of Music from Human Brain Activity
Department of Biomedicine and Prevention University of Rome Tor Vergata(生物医学与预防系罗马大学托尔维加塔分校);A.A. Martinos Center for Biomedical Imaging Harvard Medical School/MGH, Boston (US)(A.A. Martinos生物医学成像中心哈佛医学院/马萨诸塞总医院,波士顿(美国))
研究通过fMRI数据解码音乐,利用CLAP模型和voxel编码模型,实现跨被试音乐识别,提升音乐感知与情绪的神经基础理解。
2024-06-21 cs.AI cs.SD eess.AS
Structural mediation of human brain activity revealed by white-matter interpolation of fMRI
人类大脑的解剖结构限制了大规模功能网络的形成。在这里,考虑到测量的大脑活动的灰质,我们插入这些功能信号到白质的结构,知情的高分辨率体素水平的大脑网格。内插体积反映了潜在的解剖信息,揭示了介导时间相干灰质区域之间的功能信号流的白质结构。内插体积的功能连接分析揭示了丰富的图片默认模式网络(DMN)及其子组件,包括白质束如何支持它们的形成,从而超越目前已知的空间模式,仅限于灰质。这些子组件有不同的结构功能模式,其中每一个差异招聘任务期间,展示合理的结构机制之间的功能切换任务积极和消极的组件。这项工作为大脑结构和功能的整合开辟了新的途径,并展示了全球活动模式如何从沿着不同白质通路的信号传播的集体相互作用中产生。
2019-08-26 eess.IV q-bio.NC
Local inhibitory plasticity tunes global brain dynamics and allows the emergence of functional brain networks
丰富的,自发的大脑活动已经在不同的时间和空间尺度上被观察到。这些动力学被认为对有效的神经功能很重要。实验证据表明,这些神经动力学在各种不同的认知状态下保持不变,以响应环境的改变和大脑结构的变化(例如,在个体、发育和许多神经系统疾病中)。这表明大脑已经进化出了稳定动态并在一系列情况下保持动态的机制。在这里,我们采用局部稳态抑制可塑性机制,平衡抑制和兴奋性活动的宏观大脑活动模型的基础上白质结构连接。我们证明,除了稳态可塑性调节网络活动,并允许出现丰富的,自发的动态在一系列的大脑配置。此外,稳态可塑性的存在最大化了功能连接的经验和模拟模式之间的重叠。因此,这项工作提出了一个简单的,本地的,生物学上合理的抑制机制,使稳定的动力学出现在大脑中,并促进功能连接网络的形成。
2015-01-20 q-bio.NC
Brain-wide functional imaging to highlight differences between the diurnal and nocturnal neuronal activity in zebrafish larvae
本研究利用定制双光子光片显微镜,首次揭示斑马鱼幼鱼昼夜间多脑区神经元活动及信号自亲和性的差异,为昼夜节律神经机制研究提供有效工具。
2023-08-25 q-bio.NC
Estimating direction in brain-behavior interactions: Proactive and reactive brain states in driving
传统的神经影像学分析揭示了局部脑区的计算特异性,利用功能磁共振成像中的减法技术和脑电图中的事件相关电位分析。超越这一惯例,许多研究人员已经开始探索基于网络的神经动力学和大脑区域之间的协调作为行为参数或环境统计的函数;然而,大多数方法在整个实验会话中平均诱发活动来研究任务依赖网络。在这里,我们研究了正在进行的振荡活动,并使用一种方法来估计大脑行为相互作用的方向性。在源重建之后,先验感兴趣区域中特定频带内的活动与连续的行为测量相关联,并且我们使用预测过滤方案来估计大脑对行为和行为对大脑预测之间的不对称性。我们将这种方法应用于模拟驾驶任务,并研究大脑活动和连续驾驶行为(转向或航向错误)之间的直接关系。我们的研究结果表明,两个神经行为状态出现在这个自然的环境:一个积极主动的大脑状态,积极计划的感官信息的反应,和一个反应性的大脑状态,处理传入的信息,并对环境统计数据作出反应。
2016-06-14 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
Sparse Bayesian Correntropy Learning for Robust Muscle Activity Reconstruction from Noisy Brain Recordings
School of Computing, Tokyo Institute of Technology(东京技术大学计算机学院)
针对脑记录中非高斯噪声导致稀疏贝叶斯学习性能下降的问题,本文提出将最大相关熵准则融入稀疏贝叶斯学习,实现稳健与稀疏兼顾的肌肉活动重建,并在合成和真实数据上验证了其优越性。
2024-04-01 cs.LG eess.SP q-bio.NC
EEGs disclose significant brain activity correlated with synaptic fickleness
在这里,我们研究了一个网络的突触关系混合兴奋性和抑制性神经元节点,显示振荡非常类似于脑电图(EEG)的脑电波,并确定突然的变化所带来的快速突触介导。因此,我们得出结论,相应的变化,脑电序列肯定来自于神经元群体的活动,由于突触的限制放缓。后者恰好在兴奋和抑制之间产生不平衡,导致兴奋活动的快速爆炸性增加,这被证明是动态心理阶段之间的(一阶)过渡。此外,在该相变附近,我们的模型系统表现出与快速振荡共存的所谓的\textit{delta-theta domain}中的强分量的波。这些发现为在实际大脑中观察到的\textit{delta-gamma}和\textit{theta-gamma modulation}提供了一个简单的解释,并为深入理解大量明显不稳定的、容易获得的大脑数据开辟了一条严肃而通用的道路。
2021-02-16 cond-mat.dis-nn q-bio.NC
Comparison of Different Spike Sorting Subtechniques Based on Rat Brain Basolateral Amygdala Neuronal Activity
School of Electrical Engineering and Computer Science(电气工程与计算机科学学院);The Pennsylvania State University(宾夕法尼亚州立大学)
发展脑神经元活动的电生理记录及其分析为探索脑功能结构和神经系统研究提供了基础。记录的信号通常是尖峰和噪声的组合。大量的背景噪声和来自记录位点附近的几个神经元的电信号记录的可能性促使科学家开发神经元信号处理工具,如尖峰分选,以促进大脑数据分析。锋电位分选在理解神经元网络的电生理活动中起着关键作用。这个过程准备记录的数据,用于解释神经元的相互作用和理解大脑功能的整体结构。锋电位分类包括三个步骤:锋电位检测、特征提取和锋电位聚类。有几种方法来实现每个尖峰排序步骤。本文提供了一个系统的比较各种尖峰分选子技术应用于真正的细胞外记录的数据,从大鼠大脑基底外侧杏仁核。一个有效的排序数据,导致从仔细选择的尖峰排序子方法,导致更好地解释在不同条件下的大脑结构的连接,这是一个非常敏感的概念,在诊断和治疗的神经系统疾病。在这里,尖峰检测通过经由三种不同的方法适当地选择阈值水平来执行。通过PCA和核PCA方法进行特征提取,其中核PCA优于PCA。我们已经应用了四种不同的算法,包括K-means,模糊C-均值,贝叶斯和模糊最大似然估计的尖峰聚类。作为大多数聚类算法的一个要求,最佳的聚类数是通过有效性指标为每种方法。最后,使用峰电位间隔直方图评估排序结果。
2019-10-27 cs.LG q-bio.NC stat.ML