端到端的深度学习方法用于从皮质范围内的成像对小鼠行为分类
Takehiro Ajioka1, Nobuhiro Nakai1, Okito Yamashita2
1Department of Physiology and Cell Biology, Kobe University School of Medicine, Chuo, Kobe, Japan.
PLoS computational biology
|March 13, 2024
概括
深度学习使用CNN-RNN模型准确地从大脑活动中解码小鼠行为. 这种可解释的方法突出了关键的体感皮质区域,在神经科学中推进了神经解码.
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.
- 系统神经科学 系统神经科学
背景情况:
- 深度学习模型越来越多地用于神经科学和临床研究中的神经解码.
- 可解释的深度学习模型对于理解大脑活动如何与行为有关至关重要.
研究的目的:
- 评估从成像数据中对老鼠行为状态进行分类的深度学习性能.
- 通过使用可解释的深度学习框架,识别有助于行为分类的关键大脑区域.
主要方法:
- 利用卷积神经网络 (CNN) 与循环神经网络 (RNN) 结合,进行端到端的行为状态分类.
- 将CNN-RNN解码器应用于来自小鼠的中视镜,大脑皮层范围内的成像数据.
- 分析了解码器的准确性和稳定性,对次秒时间尺度上的个体差异进行了分析.
主要成果:
- 在分类小鼠行为状态时,CNN-RNN解码器实现了高精度和稳定性.
- 确定了体感皮质前肢和后肢区域对行为分类的重大贡献.
- 在次秒的时间尺度上证明了解码器的有效性.
结论:
- 端到端深度学习方法提供可解释的神经解码与关键大脑区域的公正可视化.
- 这项研究为将特定的大脑活动模式与可观测的行为联系起来提供了一个框架.
- 这些发现推动了深度学习在系统神经科学和临床研究中的应用.
