基于变压器对大脑内内脏疼痛相关的局部场潜在模式进行分类

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.
• 机器学习 机器学习

背景情况:

• 神经元组合活动与局部场潜在 (LFP) 模式同步,对于情绪,认知和疼痛感知等大脑功能至关重要.
• 对LFP模式的传统时间频率分析可能比用于多区域大脑分析的先进机器学习方法效率低.

研究的目的:

• 评估AlexNet和Transformer模型在LFP模式分类中的性能.
• 为了比较机器学习算法分析LFP数据的疼痛相关的大脑区域在诱导的内脏疼痛行为期间.

主要方法:

• 在LFP功率数据集和原始时间序列LFP轨迹上测试了AlexNet和Transformer模型.
• 分析了八个与疼痛相关的大脑区域的LFP数据,在乙酸诱导的内脏疼痛之前和期间.
• 将分类性能与简单的LFP功率分析进行比较.

主要成果:

• 应用于LFP功率数据集的AlexNet显示出比简单的LFP功率分析更优越的分类.
• 直接应用于原始LFP痕迹的变压器模型在LFP功率数据集上显著超过了AlexNet.
• 机器学习,特别是变压器,为神经生理信号分析提供了先进的功能.

结论:

• 变压器模型对于分析神经生理信号,包括LFP模式,具有显著的实用性.
• 这项研究突出了变压器在神经科学研究中解码复杂的神经元活动模式的潜力.
• 机器学习方法提供了强大的工具,以促进我们对大脑功能和疼痛状态中的功能障碍的理解.