論文の概要: Nonlinear Dynamical Modeling of Human Intracranial Brain Activity with Flexible Inference

• arxiv url: http://arxiv.org/abs/2512.22785v1
• Date: Sun, 28 Dec 2025 05:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.222739
• Title: Nonlinear Dynamical Modeling of Human Intracranial Brain Activity with Flexible Inference
• Title（参考訳）: フレキシブル推論による頭蓋内脳活動の非線形動的モデリング
• Authors: Kiarash Vaziri, Lucine L. Oganesian, HyeongChan Jo, Roberto M. C. Vera, Charles Y. Liu, Brian Lee, Maryam M. Shanechi,
• Abstract要約: 我々は、DFINEをヒト頭蓋内脳波(iEEG)記録のモデル化に拡張する。 DFINEは将来の神経活動を予測する上で、線形状態空間モデル(LSSM)を大幅に上回っている。 DFINEは、BCIの柔軟な推論と実用性を実証し、ベースラインよりも頑丈に欠落した観測を処理している。
• 参考スコア（独自算出の注目度）: 1.4951568990558364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamical modeling of multisite human intracranial neural recordings is essential for developing neurotechnologies such as brain-computer interfaces (BCIs). Linear dynamical models are widely used for this purpose due to their interpretability and their suitability for BCIs. In particular, these models enable flexible real-time inference, even in the presence of missing neural samples, which often occur in wireless BCIs. However, neural activity can exhibit nonlinear structure that is not captured by linear models. Furthermore, while recurrent neural network models can capture nonlinearity, their inference does not directly address handling missing observations. To address this gap, recent work introduced DFINE, a deep learning framework that integrates neural networks with linear state-space models to capture nonlinearities while enabling flexible inference. However, DFINE was developed for intracortical recordings that measure localized neuronal populations. Here we extend DFINE to modeling of multisite human intracranial electroencephalography (iEEG) recordings. We find that DFINE significantly outperforms linear state-space models (LSSMs) in forecasting future neural activity. Furthermore, DFINE matches or exceeds the accuracy of a gated recurrent unit (GRU) model in neural forecasting, indicating that a linear dynamical backbone, when paired and jointly trained with nonlinear neural networks, can effectively describe the dynamics of iEEG signals while also enabling flexible inference. Additionally, DFINE handles missing observations more robustly than the baselines, demonstrating its flexible inference and utility for BCIs. Finally, DFINE's advantage over LSSM is more pronounced in high gamma spectral bands. Taken together, these findings highlight DFINE as a strong and flexible framework for modeling human iEEG dynamics, with potential applications in next-generation BCIs.
• Abstract（参考訳）: マルチサイトヒト頭蓋内神経記録の動的モデリングは脳-コンピュータインタフェース(BCI)などの神経技術開発に不可欠である。 線形力学モデルは、その解釈可能性とBCIに適したため、この目的のために広く利用されている。 特に、これらのモデルは、無線のBCIでしばしば発生する神経サンプルが欠如している場合でも、フレキシブルなリアルタイム推論を可能にする。 しかし、神経活動は線形モデルでは捉えられない非線形構造を示すことができる。 さらに、リカレントニューラルネットワークモデルは非線形性を捉えることができるが、その推論は、欠落した観測の処理に直接対応しない。 このギャップに対処するため、最近の研究は、ニューラルネットワークと線形状態空間モデルを統合するディープラーニングフレームワークであるDFINEを導入し、柔軟性のある推論を可能にした。 しかし、DFINEは局所的な神経細胞を計測する皮質内記録のために開発された。 ここでは、DFINEをマルチサイトヒト頭蓋内脳波(iEEG)記録のモデル化に拡張する。 DFINEは将来の神経活動を予測する上で,線形状態空間モデル(LSSM)を著しく上回っている。 さらに、DFINEは神経予測においてゲートリカレント・ユニット(GRU)モデルの精度を一致または超過し、線形動的バックボーンが非線形ニューラルネットワークとペアリングおよびジョイントトレーニングされると、柔軟性のある推論を可能にしながら、iEEG信号のダイナミックスを効果的に記述できることを示す。 さらに、DFINEは、ベースラインよりも弱い観測を堅牢に処理し、BCIの柔軟な推論と有用性を実証している。 最後に、DFINEのLSSMに対する優位性は、高ガンマスペクトル帯域においてより顕著である。 これらの知見を総合すると、DFINEは人間のiEEGダイナミクスをモデリングするための強力で柔軟なフレームワークであり、次世代のBCIにも応用できる可能性がある。

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 [63.592664795493725]
  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、その一般化を実際の実験データで検証する最初の大規模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)
• Inferring stochastic low-rank recurrent neural networks from neural data [5.179844449042386]
  計算神経科学における中心的な目的は、大きなニューロンの活動と基礎となる力学系を関連付けることである。 低ランクリカレントニューラルネットワーク(RNN)は、トラクタブルダイナミクスを持つことによって、そのような解釈可能性を示す。 そこで本研究では,低ランクRNNをモンテカルロ変分法に適合させる手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T15:57:49Z)
• 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)
• 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)

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。