論文の概要: Is the brain macroscopically linear? A system identification of resting
state dynamics
- arxiv url: http://arxiv.org/abs/2012.12351v1
- Date: Tue, 22 Dec 2020 20:51:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:13:25.291633
- Title: Is the brain macroscopically linear? A system identification of resting
state dynamics
- Title(参考訳): 脳はマクロ的に線形か?
静止状態ダイナミクスのシステム同定
- Authors: Erfan Nozari, Jennifer Stiso, Lorenzo Caciagli, Eli J. Cornblath,
Xiaosong He, Maxwell A. Bertolero, Arun S. Mahadevan, George J. Pappas, and
Danielle S. Bassett
- Abstract要約: ニューラルダイナミクスの計算モデリングにおける中心的な課題は、精度と単純さのトレードオフである。
この仮説を、全脳血中酸素レベル依存性(BOLD)と顕微鏡場電位ダイナミクスのレベルで厳密かつデータ駆動的に調査します。
以上の結果から,視神経力学の理解と,神経精神疾患治療のためのモデルに基づく介入の原理的設計の促進が期待できる。
- 参考スコア(独自算出の注目度): 7.312557272609717
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A central challenge in the computational modeling of neural dynamics is the
trade-off between accuracy and simplicity. At the level of individual neurons,
nonlinear dynamics are both experimentally established and essential for
neuronal functioning. An implicit assumption has thus formed that an accurate
computational model of whole-brain dynamics must also be highly nonlinear,
whereas linear models may provide a first-order approximation. Here, we provide
a rigorous and data-driven investigation of this hypothesis at the level of
whole-brain blood-oxygen-level-dependent (BOLD) and macroscopic field potential
dynamics by leveraging the theory of system identification. Using functional
MRI (fMRI) and intracranial EEG (iEEG), we model the resting state activity of
700 subjects in the Human Connectome Project (HCP) and 122 subjects from the
Restoring Active Memory (RAM) project using state-of-the-art linear and
nonlinear model families. We assess relative model fit using predictive power,
computational complexity, and the extent of residual dynamics unexplained by
the model. Contrary to our expectations, linear auto-regressive models achieve
the best measures across all three metrics, eliminating the trade-off between
accuracy and simplicity. To understand and explain this linearity, we highlight
four properties of macroscopic neurodynamics which can counteract or mask
microscopic nonlinear dynamics: averaging over space, averaging over time,
observation noise, and limited data samples. Whereas the latter two are
technological limitations and can improve in the future, the former two are
inherent to aggregated macroscopic brain activity. Our results, together with
the unparalleled interpretability of linear models, can greatly facilitate our
understanding of macroscopic neural dynamics and the principled design of
model-based interventions for the treatment of neuropsychiatric disorders.
- Abstract(参考訳): ニューラルダイナミクスの計算モデリングにおける中心的な課題は、精度と単純さのトレードオフである。
個々のニューロンのレベルでは、非線形ダイナミクスは実験的に確立され、ニューロンの機能に必須である。
これにより、全脳力学の正確な計算モデルも非常に非線形でなければならないという暗黙の仮定が成立し、線形モデルは一階近似を与えるかもしれない。
本稿では,システム同定理論を活用し,脳内血液酸素レベル依存性(bold)とマクロ場電位ダイナミクスのレベルにおいて,この仮説を厳密かつデータ駆動的に検討する。
機能的MRI(fMRI)と頭蓋内脳波(iEEG)を用いて,HCP(Human Connectome Project)では700名,RAM(Restoring Active Memory)では122名の被験者を,最先端の線形モデルと非線形モデルファミリを用いてモデル化した。
予測力,計算複雑性,モデルに説明のつかない残差ダイナミクスの程度を用いて,相対モデル適合性を評価する。
予想とは対照的に、線形自動回帰モデルは3つの指標すべてで最高の測定を達成し、正確性と単純さのトレードオフを排除します。
この線形性を理解し, 説明するために, 空間平均化, 時間平均化, 観測ノイズ, 限られたデータサンプルという, 微視的非線形力学の反作用やマスキングが可能な, マクロ神経力学の4つの性質を強調する。
後者の2つは技術的制限であり、将来改善できるが、前2つはマクロな脳活動の集約に固有のものである。
本研究は, 線形モデルの非平行解釈性とともに, 視神経力学の理解を大いに促進し, 神経精神疾患治療のためのモデルに基づく介入の原則設計を行う。
関連論文リスト
- Neuroformer: Multimodal and Multitask Generative Pretraining for Brain
Data [3.712362524473752]
最先端のシステム神経科学実験は大規模なマルチモーダルデータを生み出し、これらのデータセットは分析のための新しいツールを必要とする。
視覚領域と言語領域における大きな事前学習モデルの成功に触発されて、我々は大規模な細胞分解性神経スパイクデータの解析を自己回帰生成問題に再構成した。
我々はまず、シミュレーションデータセットでNeuroformerを訓練し、本質的なシミュレートされた神経回路の動作を正確に予測し、方向を含む基盤となる神経回路の接続性を推定した。
論文 参考訳(メタデータ) (2023-10-31T20:17:32Z) - Learning Dissipative Neural Dynamical Systems [1.0624219898433112]
一般に、ニューラルネットワークトレーニング中に拡散性の制約を課すことは、既知のテクニックが存在しない難しい問題である。
これらの2つの摂動問題は独立して解き、散逸することが保証される神経力学モデルが得られることを示す。
論文 参考訳(メタデータ) (2023-09-27T21:25:26Z) - On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。
我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
論文 参考訳(メタデータ) (2023-07-28T13:22:32Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - STNDT: Modeling Neural Population Activity with a Spatiotemporal
Transformer [19.329190789275565]
我々は、個々のニューロンの応答を明示的にモデル化するNDTベースのアーキテクチャであるSpatioTemporal Neural Data Transformer (STNDT)を紹介する。
本モデルは,4つのニューラルデータセット間での神経活動の推定において,アンサンブルレベルでの最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2022-06-09T18:54:23Z) - Ranking of Communities in Multiplex Spatiotemporal Models of Brain
Dynamics [0.0]
隠れマルコフグラフモデル(HMs)と呼ぶ多重脳状態グラフモデルとして、ニューラルHMMの解釈を提案する。
この解釈により、ネットワーク分析技術の完全なレパートリーを使用して、動的脳活動を分析することができる。
ランダムウォークに基づく手法を用いて,脳領域の重要なコミュニティを決定するための新しいツールを開発した。
論文 参考訳(メタデータ) (2022-03-17T12:14:09Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳(メタデータ) (2021-11-29T15:27:51Z) - Evolving spiking neuron cellular automata and networks to emulate in
vitro neuronal activity [0.0]
我々は生体内における生体ニューロンの行動パターンをエミュレートするスパイキング神経系を生産する。
我々のモデルは、ネットワーク全体の同期レベルを生成できた。
トップパフォーマンスモデルのゲノムは、生成した活動の複雑さを決定する上で、モデル内の接続の興奮性と密度が重要な役割を果たすことを示している。
論文 参考訳(メタデータ) (2021-10-15T17:55:04Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳(メタデータ) (2021-09-22T16:52:51Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳(メタデータ) (2020-12-07T01:20:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。