在合成相联神经动力学中使用隐藏马尔科夫模型识别大脑状态的稳定性
Giulia Pieramico1,2, Saeed Makkinayeri2,3, Roberto Guidotti2,3
1Department of Engineering and Geology, University of Chieti-Pescara, Pescara, Abruzzo, Italy.
Frontiers in systems neuroscience
|May 9, 2025
概括
时间延迟嵌入式隐藏马尔科夫模型 (TDE-HMMs) 在从神经活动数据中识别大脑状态方面优于高斯式HMMs. 这项研究验证了TDE-HMMs的有效性.
科学领域:
- 计算神经科学是一种神经科学.
- 时间序列分析时间序列分析
- 大脑网络动力学
背景情况:
- 隐藏的马尔科夫模型 (HMM) 对于分析神经活动时间序列至关重要.
- 高斯式HMM和时间延迟嵌入式HMM (TDE-HMM) 从大规模的大脑网络序列中检测离散的大脑状态.
研究的目的:
- 为了比较高斯式HMM和TDE-HMM在检测大脑状态方面的性能.
- 在神经数据模拟的不同条件下评估TDE-HMM性能.
主要方法:
- 模拟合成神经数据,在皮层区域之间具有多个相合相互作用.
- 应用高斯式HMM和TDE-HMM来检测大脑网络的时间序列.
- 操纵的参数,如阶段合变化,状态持续时间和体积传导效应,用于TDE-HMM分析.
主要成果:
- 与高斯式HMM相比,TDE-HMM在从合成相联数据中检测大脑状态方面表现出更高的准确性.
- 在各种模拟参数中评估了TDE-HMM性能,提供了对模型稳定性的见解.
结论:
- TDE-HMM是一种比高斯式HMM更有效的方法,用于识别神经活动中的大脑状态.
- 该研究强调了TDE-HMM在分析复杂的神经动态方面的实用性和稳定性.
更多相关视频
00:08Brain State-dependent Brain Stimulation with Real-time Electroencephalography-Triggered Transcranial Magnetic Stimulation
Published on: August 20, 2019
14.1K
06:28Author Spotlight: Unraveling Seizure Dynamics and Novel Therapeutics for Status Epilepticus Using CMOS High-Density Microelectrode Array Systems
Published on: September 27, 2024
2.1K
