基于深度尖端神经网络,预测非人类灵长类动物皮层神经元反应的时间动态轨迹
Jie Zhang1,2,3, Liwei Huang3,4, Zhengyu Ma3
1The Brain Cognition and Brain Disease Institute, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, 518055 China.
Cognitive neurodynamics
|August 6, 2024
概括
尖端神经网络 (SNN) 在模拟大脑对视觉刺激的反应方面优于卷积神经网络 (CNN). 在V4,IT和OFC领域,SNN准确地捕捉时间动态,证明了它们对复杂的自然刺激的力量.
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.
- 人工智能的人工智能
背景情况:
- 深层卷积神经网络 (CNN) 被广泛用于模拟灵长类的腹部视觉流.
- 深度尖端神经网络 (SNN) 集成时间和空间信息,仍未为此目的进行充分研究.
研究的目的:
- 为了比较SNN和CNN在预测V4,IT和OFC视觉区域的神经反应方面的表现.
- 评估模型捕捉时间动态和响应自然刺激的射击速度的能力.
主要方法:
- 使用深度尖端神经网络 (SNN) 和深度卷积神经网络 (CNN).
- 对象V4,IT和OFC对自然视觉刺激的神经反应的预测准确度进行比较.
- 分析了时间动态轨迹和平均射击速度.
主要成果:
- 在预测时间动态轨迹和V4和IT中的平均发射速度方面,SNN的准确性明显高于CNN.
- 无线神经网络有效地捕获了多种不同的时间形状和类别选择性,在神经反应最大的时候,灵敏度达到顶峰.
- 在IT,V4和OFC中,SNN活动与神经反应的相关性更强,特别是对于后来的时间步骤特征.
结论:
- 尖端神经网络 (SNN) 是模拟皮质对复杂自然刺激的反应的强大工具.
- 在捕捉腹部视觉流中神经活动的时间动态方面,SNN表现优于CNN.
