在自然主义的音乐听力过程中绘制多模式动态网络活动的地图
Sarah Faber1,2, Tanya Brown3, Sarah Carpentier4
1University of Toronto, Toronto, ON, Canada.
Imaging neuroscience (Cambridge, Mass.)
|August 13, 2025
概括
这项研究引入了一种新的工作流程,用于分析复杂的大脑和行为数据,使用隐藏的马尔科夫建模 (HMM) 和部分最小平方 (PLS). 该方法整合了多模式数据,以更深入地了解大脑.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 计算生物学 计算生物学
背景情况:
- 人类大脑是一个复杂的,适应性的系统.
- 了解大脑活动,行为和环境刺激之间的动态相互作用对于了解大脑功能,发育,衰老和病理学至关重要.
- 建模多流动动态数据带来了重大的方法挑战.
研究的目的:
- 为分析集成大脑,行为和刺激信息的动态,多模式数据提供一种新的工作流.
- 通过从音乐听力研究中获得的数据来演示该工作流的应用.
- 解决模拟复杂,现实世界的大脑行为相互作用的方法学挑战.
主要方法:
- 利用隐藏的马尔科夫建模 (HMM) 来从高维EEG和刺激数据中提取状态时间序列.
- 从低维行为数据中估计的时间序列变量与HMM一致.
- 使用部分最小平方 (PLS) 来建模集成的多式联运数据.
主要成果:
- 从EEG,刺激和行为数据中成功提取了状态时间序列.
- 模拟了大脑活动,行为和音乐刺激之间的动态关系.
- 提供了对结果的样本解释,突出了工作流的实用性.
结论:
- 提出的工作流提供了一个可行的方法,用于动态的多模式数据分析.
- 未来的方向包括改进工具,专注于自然主义行为,以提高生态有效性.
- 这种方法有可能提高我们对大脑如何处理现实世界的刺激和适应的理解.
