一种深度学习方法来估计脑网络模型的初始条件,参考测量的fMRI数据

科学领域:

• 计算神经科学是一种神经科学.
• 神经成像分析分析 神经成像分析

背景情况:

• 大脑网络模型 (BNM) 使用相互连接的神经质量模型模拟整个大脑的活动.
• 越来越多地使用BNM来解释静态fMRI (rs-fMRI) 数据,在复制功能连接等长期性质方面表现出成功.
• 然而,它们捕捉短期,时间点对时间点动态的能力对于基于任务的fMRI至关重要,仍然未被充分探索.

研究的目的:

• 评估BNMs准确模拟短期大脑活动轨迹的能力.
• 为了比较一种新型深度学习方法 (神经ODE) 对BNM模拟与传统方法的有效性.
• 评估结构连接和噪声对短期BNM模拟准确性的影响.

主要方法:

• 使用神经常规微分方程 (神经ODE) 模拟短期大脑活动轨迹.
• 从观察到的fMRI测量中对模拟的估计初始条件.
• 使用射击率模型作为特定的BNM进行参数化和比较.

主要成果:

• 从短期 (神经ODE) 和长期指标中获得的参数化之间有明显的一致性.
• 确定精度受结构连接变化和噪声存在的敏感性影响.
• 验证了短期轨迹作为BNM参数化指标的实用性.

结论:

• 神经ODE能够与经验数据轨迹相比较,对BNMs进行有意义的模拟.
• 未来的研究应该调查BNM活动,行为变量和更快的神经过程之间的关系.
• 短期轨迹模拟为完善和验证大脑网络模型提供了一个有希望的途径.