神经光谱:一个几何和拓深度学习框架,用于发现神经活动中的时空特征
Dhananjay Bhaskar1,2,3, Yanlei Zhang4, Jessica Moore5
1Kavli Institute for Neuroscience, Yale School of Medicine.
bioRxiv : the preprint server for biology
|July 14, 2025
概括
神经谱,一个新的框架,将复杂的神经信号解码成可解释的轨迹. 这种方法增强了对疾病生物标志物发现和行为预测的大脑活动的理解.
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
- 数据科学数据科学数据科学
背景情况:
- 神经信号本质上是高维的,杂的,动态的.
- 从神经数据中提取可解释的特征以进行行为或疾病联系是具有挑战性的.
研究的目的:
- 介绍Neurospectrum,一个用于将神经活动编码为潜伏轨迹的框架.
- 开发一种方法来发现有意义的神经动态,并改进下游预测.
主要方法:
- 用注意力机制在空间图表上表示神经信号.
- 嵌入信号使用图形波段和多元组规则化自动编码器.
- 用几何,拓和动态描述符 (例如曲率,持久同质) 总结潜在轨迹.
主要成果:
- 神经谱在模拟中成功跟踪相位同步.
- 它从成像数据中重建视觉刺激.
- 它在fMRI数据中识别了强迫症障碍的生物标志物,优于传统方法.
结论:
- 神经谱为神经数据分析提供了一个模块化,可解释和端到端可训练的框架.
- 该框架有效地揭示了跨不同数据集的有意义的神经动态.
- 与传统分析技术相比,它提供了更高的性能.
