在高维参数空间中探索动态全脑模型

科学领域:

• 计算神经科学是一种计算神经科学.
• 大脑动态建模大脑动态建模
• 系统神经科学 系统神经科学

背景情况:

• 休息状态大脑活动的个性化建模需要复杂的动态全脑模型.
• 这些模型中的高维参数空间具有未经记录的实际好处和数学挑战.
• 对大脑建模的高维方法的实用性仍然是一个开放的问题.

研究的目的:

• 在动态全脑模型中研究高维参数空间的好处和挑战.
• 评估高维参数优化对模型拟合和预测准确性的影响.
• 探索这些模型对个体间的变化和大脑行为关系的应用.

主要方法:

• 采用了相联相振荡器的全脑模型,从低维空间发展到高维参数空间.
• 采用贝叶斯优化和协方差矩阵适应进化策略,同时优化高达103个参数.
• 优化模型以最大限度地提高272个受试者的模拟和实证功能连接之间的相关性.

主要成果:

• 高维参数优化导致受试者内的参数可变性增加,并降低了跨运行的可靠性.
• 模型验证 (适合性) 显著改善,并与模拟的功能连接保持稳定.
• 当使用高维优化参数作为特征时,性别分类预测的准确性增加了.

结论:

• 整个大脑模型中的高维参数空间为大脑行为关系提供了更好的适合性和预测能力.
• 这些发现支持复杂,高维模型的实用性,以了解大脑功能的个体间差异.
• 该研究提供了对优化和应用动态大脑模型在高维参数空间的洞察.