一个反复出现的霍普菲尔德网络,用于估计MEG中中等规模的有效连接
Giorgio Gosti1, Edoardo Milanetti2, Viola Folli3
1Center for Life Nano- & Neuro-Science, Istituto Italiano di Tecnologia, Viale Regina Elena, 291, 00161, Rome, Italy; Soft and Living Matter Laboratory, Institute of Nanotechnology, Consiglio Nazionale delle Ricerche, Piazzale Aldo Moro, 5, 00185, Rome, Italy; Istituto di Scienze del Patrimonio Culturale, Sede di Roma, Consiglio Nazionale delle Ricerche, CNR-ISPC, Via Salaria km, 34900 Rome, Italy.
概括
我们开发了一个新的模型,即循环霍普菲尔德质量模型 (RHoMM),以了解大脑的通信模式. 从MEG数据中,RHoMM有效地估计了大规模的有效连接,揭示了神经抑制和激发动态的洞察力.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 网络科学 网络科学
背景情况:
- 人类连接体,绘制大脑通信的地图,在神经科学中至关重要.
- 了解神经抑制/兴奋的生成模型仍然是一个挑战.
- 现有的模型通常需要广泛的超参数,并且可扩展性较差.
研究的目的:
- 引入一种新的生成模型,即循环霍普菲尔德质量模型 (RHoMM),用于从MEG数据中估计大规模的有效连接.
- 为了应对识别神经抑制和激发的潜在模式的挑战.
- 为现有生物物理模型提供数据驱动,可扩展和不太依赖超参数的替代方案.
主要方法:
- 开发了使用具有不对称连接的循环霍普菲尔德神经网络的循环霍普菲尔德质量模型 (RHoMM).
- 将RHoMM应用于从MEG数据中获得的二元化带限功率 (BLP) 动态.
- 使用梯度下降最小化训练RHoMM并验证其在捕获连接模式和拓特征方面的性能.
主要成果:
- RHoMM显示了估计有效连接和区域间BLP相关性之间的显著一致,捕捉了个体变异性.
- 来自RHoMM的模拟BLP相关联连接体保留了关键的拓特征,如中心性,证实了模型可靠性.
- RHoMM显示出预测MEG动态和有效连接的强大能力.
结论:
- RHoMM是一个可靠的,数据驱动的生成模型,用于估计来自MEG的大规模有效连接.
- 该模型成功地捕捉了神经动态中的个体变异性,并保留了大脑网络的基本拓特征.
- 在不同空间尺度上,RHoMM提供了一种可扩展和计算效率高的方法来研究神经抑制/激发动态.
