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.
Proceedings of machine learning research
|December 1, 2025
概括
新的深度学习框架SBIND通过神经成像模拟大脑活动,以更好地理解行为. 它有效地分离与行为相关的大脑动态,改善神经行为预测.
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) 提供了对大脑活动和行为的洞察.
- 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,和无关的信号.
- 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:
- 开发了一个名为SBIND的数据驱动深度学习框架.
- 在神经成像数据中建模复杂的时空依赖关系.
- 应用并验证了对广场成像数据集的框架,并将其扩展到功能超声波成像.
主要成果:
- SBIND有效地识别了整个大脑的局部和远程空间依赖.
- 该模型成功地分离了与行为相关的神经动态.
- 在神经行为预测任务中,SBIND的表现优于现有的模型.
结论:
- SBIND为分析神经成像数据提供了一种多功能工具.
- 该框架增强了对行为背后的神经机制的理解.
- SBIND为功能超声波成像中的动态建模提供了一种新的方法.
