循环的时间受限制的博尔茨曼机器捕捉了整个大脑活动中的神经组合动态
Sebastian Quiroz Monnens1, Casper Peters1, Luuk Willem Hesselink1
1Computational Neuroscience Lab, Donders Center for Neuroscience, Radboud University, Nijmegen, Netherlands.
eLife
|November 5, 2024
概括
这项研究引入了循环时间受限博尔兹曼机器 (RTRBM) 来建模动物行为动态. 与以前的方法相比,RTRBM可以更好地捕捉随机和时间预测的神经活动.
科学领域:
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
- 动物行为 动物行为
背景情况:
- 动物行为表现出随机探索和由神经活动驱动的指导行动的混合.
- 之前的工作使用组合限制博尔兹曼机器 (cRBM) 来识别斑马鱼大脑活动中的神经组合,捕获随机性.
研究的目的:
- 开发一个神经活动的综合随机动态模型.
- 通过结合时间动态来改善动物行为的表现.
- 评估复发性时间RBM (RTRBM) 对于分析大规模神经数据的有效性.
主要方法:
- 使用转移学习将扩展组合RBM (cRBM) 扩展到循环时间RBM (RTRBM).
- 分析了模拟和实验性幼虫斑马鱼神经数据.
- 以不同的时间分辨率估计多个RTRBM,以确定组装动态时间表.
主要成果:
- RTRBM有效地捕获隐藏单位中的时间重量,代表神经组合.
- 时间RTRBM模型在仅使用随机的cRBM时显示出较高的概括错误.
- 实现了神经活动时刻的准确表示.
- 确定了神经组合动态的不同的时间尺度.
结论:
- 在大型神经数据集中,RTRBMs提供了一种强大的方法来建模联合随机和时间预测动态.
- 这种方法促进了对动物行为背后的神经机制的理解.
- RTRBMs为分析复杂的生物系统提供了有价值的工具.
