在非线性和非静止的尖端神经网络中有效估计定向连接

科学领域:

• 计算神经科学是一种计算神经科学.
• 神经网络动态 神经网络动态
• 复杂系统分析 复杂系统分析

背景情况:

• 了解尖端神经网络中的定向连接对于破译神经机制至关重要.
• 现有的方法通常依赖于线性,时间不变动态和固定时间滞后的简化假设.
• 尖端神经网络表现出复杂的,非线性和非静止的动态,具有不同的时间延迟,对传统分析构成挑战.

研究的目的:

• 开发一种用于估计具有复杂动态的尖端神经网络中定向连接的新方法.
• 解决现有方法的局限性,考虑非线性,非静态性和变化的时间滞后.
• 为分析复杂神经系统中的定向信息流提供强大的工具.

主要方法:

• 开发了一种门式反复单位 (GRU) -点过程 (PP) 模型,以捕捉过去尖端事件的火速依赖性.
• 利用GRU的反复状态和门函数来处理具有不同时间滞后的非线性和非静止动态.
• 使用最大概率估计和计算定向信息用于连接性评估.

主要成果:

• 在使用人工和生物物理尖端网络的模拟中,GRU-PP准确地估计了定向连接性,其性能优于最先进的方法.
• 在处理不同时间滞后,非线性和非静止性方面表现出高精度和数据效率的有效性.
• 在非人类灵长类动物数据集上验证,在完成任务时正确识别出更强的PMd-to-M1连接.

结论:

• GRU-PP方法提供了一种高效和准确的方法来估计复杂的尖端神经网络中的定向连接性.
• 这种方法有效地处理神经动力学固有的不同时间延迟,非线性和非静止性.
• GRU-PP 作为一个有价值的工具,用于研究复杂的尖端神经元网络动态和推进神经科学研究.