論文の概要: Dynamical Modeling of Behaviorally Relevant Spatiotemporal Patterns in Neural Imaging Data

• arxiv url: http://arxiv.org/abs/2509.18507v1
• Date: Tue, 23 Sep 2025 01:16:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.631721
• Title: Dynamical Modeling of Behaviorally Relevant Spatiotemporal Patterns in Neural Imaging Data
• Title（参考訳）: ニューラルイメージングデータにおける行動関連時空間パターンの動的モデリング
• Authors: Mohammad Hosseini, Maryam M. Shanechi,
• Abstract要約: ニューラルイメージの時間依存性をモデル化する新しいデータ駆動型ディープラーニングフレームワークであるSBINDを提案する。 SBINDは、行動関連神経力学を解離しながら、脳の局所的および長距離的空間的依存関係を効果的に識別する。 全体として、SBINDは画像モダリティを用いた行動の基礎となる神経メカニズムを調査するための汎用的なツールを提供する。
• 参考スコア（独自算出の注目度）: 0.25066242154596113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-dimensional imaging of neural activity, such as widefield calcium and functional ultrasound imaging, provide a rich source of information for understanding the relationship between brain activity and behavior. Accurately modeling neural dynamics in these modalities is crucial for understanding this relationship but is hindered by the high-dimensionality, complex spatiotemporal dependencies, and prevalent behaviorally irrelevant dynamics in these modalities. Existing dynamical models often employ preprocessing steps to obtain low-dimensional representations from neural image modalities. However, this process can discard behaviorally relevant information and miss spatiotemporal structure. We propose SBIND, a novel data-driven deep learning framework to model spatiotemporal dependencies in neural images and disentangle their behaviorally relevant dynamics from other neural dynamics. We validate SBIND on widefield imaging datasets, and show its extension to functional ultrasound imaging, a recent modality whose dynamical modeling has largely remained unexplored. We find that our model effectively identifies both local and long-range spatial dependencies across the brain while also dissociating behaviorally relevant neural dynamics. Doing so, SBIND outperforms existing models in neural-behavioral prediction. Overall, SBIND provides a versatile tool for investigating the neural mechanisms underlying behavior using imaging modalities.
• Abstract（参考訳）: 広視野カルシウムや機能的超音波画像などの神経活動の高次元イメージングは、脳活動と行動の関係を理解するための豊富な情報源を提供する。 これらのモダリティにおける神経力学の正確なモデリングは、この関係を理解するために重要であるが、高次元性、複雑な時空間依存性、そしてこれらのモダリティにおける行動的無関係なダイナミクスによって妨げられる。 既存の力学モデルは、しばしば前処理のステップを使用して、ニューラルイメージのモダリティから低次元の表現を得る。 しかし、このプロセスは行動関連情報を破棄し、時空間構造を見逃す可能性がある。 SBINDは、ニューラルネットワークの時空間依存性をモデル化し、その振る舞いに関連するダイナミクスを他の神経力学から切り離すための、新しいデータ駆動型ディープラーニングフレームワークである。 我々は,SBINDを広視野画像データセット上で検証し,その機能的超音波画像への拡張を示す。 我々は,脳内の局所的および長距離的空間的依存関係を効果的に同定し,行動関連神経力学を解離する。 そうすることで、SBINDはニューラルビヘイビア予測において既存のモデルより優れている。 全体として、SBINDは画像モダリティを用いた行動の基礎となる神経メカニズムを調査するための汎用的なツールを提供する。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Single-neuron deep generative model uncovers underlying physics of neuronal activity in Ca imaging data [0.0]
  自己回帰変分オートエンコーダ(AVAE)を用いた単一ニューロン表現学習のための新しいフレームワークを提案する。 我々のアプローチでは、スパイク推論アルゴリズムを必要とせずに、個々のニューロンの信号を縮小次元空間に埋め込む。 AVAEは、より情報的で差別的な潜在表現を生成することによって、従来の線形手法よりも優れている。
  論文  参考訳（メタデータ） (2025-01-24T16:33:52Z)
• Neural Dynamics Model of Visual Decision-Making: Learning from Human Experts [28.340344705437758]
  視覚入力から行動出力まで,包括的な視覚的意思決定モデルを実装した。 我々のモデルは人間の行動と密接に一致し、霊長類の神経活動を反映する。 ニューロイメージング・インフォームド・ファインチューニング手法を導入し、モデルに適用し、性能改善を実現した。
  論文  参考訳（メタデータ） (2024-09-04T02:38:52Z)
• Time-Dependent VAE for Building Latent Representations from Visual Neural Activity with Complex Dynamics [25.454851828755054]
  TiDeSPL-VAEは複雑な視覚神経活動を効果的に分析し、自然な方法で時間的関係をモデル化することができる。 結果から,本モデルは自然主義的なシーン/ムーブメントにおいて最高の復号性能を得るだけでなく,明示的なニューラルダイナミクスを抽出することがわかった。
  論文  参考訳（メタデータ） (2024-08-15T03:27:23Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• 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)
• 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)

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。