在神经成像数据中对行为相关的时空模式的动态建模
Mohammad Hosseini1, Maryam M Shanechi1,2,3
1Electrical and Computer Engineering, Viterbi School of Engineering, University of Southern California (USC), Los Angeles, CA, USA.
ArXiv
|October 3, 2025
概括
我们开发了SBIND,这是一个深度学习框架,用于分析脑成像数据. SBIND模拟神经动力学和行为,在预测神经行为关系方面表现优于现有的方法.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 高维神经成像 (例如,广场,功能超声波) 提供了对大脑行为关系的洞察.
- 模拟复杂的神经动态是具有挑战性的,因为高维度,时空依赖,和不相关的活动.
- 当前的模型往往减少了维度,可能会丢失关键的行为相关信息和时空结构.
研究的目的:
- 介绍SBIND,这是一个新的深度学习框架,用于在神经图像中建模时空依赖.
- 从其他神经活动中解脱行为相关的神经动态.
- 在广场成像上验证SBIND,并探索其应用于功能超声波成像的应用.
主要方法:
- SBIND采用数据驱动的深度学习方法来建模神经图像数据.
- 该框架捕捉了整个大脑的局部和远程空间依赖.
- SBIND旨在区分行为相关的神经动态.
主要成果:
- 在神经成像数据中,SBIND有效地建模了时空依赖关系.
- 该模型成功地分离了与行为相关的神经动态.
- 与现有模型相比,SBIND在神经行为预测方面表现优越.
- 该框架显示适用于广场和功能超声波成像.
结论:
- SBIND为分析神经成像数据和理解大脑行为联系提供了一个强大的工具.
- 该框架推进了高维成像模式中神经动态的建模.
- SBIND有助于研究行为背后的神经机制.
