适应性神经网络的统计建模解释了在休息的人类大脑中雪崩和振荡的共存

科学领域:

• 计算神经科学是一种神经科学.
• 复杂系统生物学 复杂系统生物学
• 神经动力学是一种神经动力学.

背景情况:

• 大脑网络表现出多样化的集体动态,包括特定尺度的振荡和无尺度的神经元雪崩.
• 现有的模型往往无法同时解释振荡和雪崩,并且在分析上难以处理.
• 有需要的模型,可以同时捕获和推断从神经数据.

研究的目的:

• 提出一个新的反驱动的Ising-like神经网络模型.
• 为了证明模型能够同时和量化地捕捉振荡和雪崩的能力.
• 为了实现分析计算和可处理的数据推断,以理解神经动力学.

主要方法:

• 开发一个反驱动的Ising类神经网络模型.
• 分析计算模型的相位图.
• 从人类大脑休息状态活动记录中可追踪推断模型参数.

主要成果:

• 拟议的模型成功地捕捉了特定尺度的振荡和无尺度的神经系统雪崩.
• 最简单的显微镜模型版本允许分析相位图计算.
• 推断模型参数从数量上解释神经动力学在各种规模,从单个神经元活动到大规模的雪崩.
• 分析表明,振荡和雪崩的共存发生在一个非平衡临界点附近.

结论:

• 由反驱动的Ising-like神经网络模型为理解多样化的大脑动态提供了一个统一的框架.
• 该模型的参数,当从人类大脑数据推断出来时,可以定量地描述神经活动.
• 这些发现表明,复杂的大脑动态,包括振荡和雪崩,在自我维持活动开始时接近临界状态.