論文の概要: Neural-Behavioral Representation of Natural Whole-body Movement in Monkeys

• arxiv url: http://arxiv.org/abs/2605.29355v1
• Date: Thu, 28 May 2026 04:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.739368
• Title: Neural-Behavioral Representation of Natural Whole-body Movement in Monkeys
• Title（参考訳）: サルにおける自然体運動の神経行動表現
• Authors: Jieshi He, Puzhe Li, Yanan Sui, Mu-ming Poo,
• Abstract要約: 本稿では,サルを自由に移動させるニューラル・ビヘイビアな記録・モデリング・フレームワークを提案する。 自己回帰エンコーダ・デコーダモデルを用いて,全身のサルキネマティクスを再構築し,よりコンパクトな動作を学習した。 本研究は,大規模な頭蓋内神経活動を用いて,霊長類における自然体の動きを復号化するための概念実証手法を提案する。
• 参考スコア（独自算出の注目度）: 6.927576792583635
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding how cortical activity represents natural whole-body behaviors in primates remains challenging. Limited by the diversity of movements and inaccessibility of large-scale neural representation of whole-body kinematics, previous motor decoding studies focused on constrained tasks and limited limb movements. Here, we present a neural-behavioral recording and modeling framework for freely moving monkeys, combining large-scale epidural cortical signals from distributed sensory- and motor-related areas with synchronized multi-view motion capture through a custom-made data collection platform. We reconstructed whole-body monkey kinematics and learned a compact behavior prior using an autoregressive encoder-decoder model. Conditioned on neural signals, the model decoded accurate and realistic whole-body movement without explicit physical constraints. Our results provide a novel proof-of-concept approach for decoding natural whole-body movements in primates using large-scale intracranial neural activity.
• Abstract（参考訳）: 霊長類における皮質活動が自然の全身行動をどのように表すかを理解することは、依然として困難である。 運動の多様性と全身運動学の大規模神経表現の到達性に制限された以前の運動復号法は、制約されたタスクと制限された手足の動きに焦点を当てていた。 本稿では,分散感覚および運動関連領域からの大規模硬膜外皮質信号と,カスタムメイドデータ収集プラットフォームによる同期多視点モーションキャプチャを組み合わせた,自由に移動するサルのための神経行動記録・モデリングフレームワークを提案する。 自己回帰エンコーダ・デコーダモデルを用いて,全身のサルキネマティクスを再構築し,よりコンパクトな動作を学習した。 神経信号に基づいて、モデルは明確な物理的制約を伴わずに正確で現実的な全身運動をデコードした。 本研究は,大規模な頭蓋内神経活動を用いて,霊長類における自然体の動きを復号化するための概念実証手法を提案する。

関連論文リスト

• JEDI: Jointly Embedded Inference of Neural Dynamics [12.034164909682366]
  タスクとコンテキストをまたいだニューラルダイナミクスをキャプチャする階層モデルであるJEDIを紹介する。 シミュレーションされたRNNデータセットを用いて、JEDIが堅牢で一般化可能な条件固有の埋め込みを正確に学習できることを実証する。 我々の研究は、文脈埋め込みと繰り返し重みの合同学習が、記録のみからの脳のダイナミクスのスケーラブルで一般化可能な推論を提供することを示している。
  論文  参考訳（メタデータ） (2026-03-11T07:31:20Z)
• 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)
• Modeling Dynamic Neural Activity by combining Naturalistic Video Stimuli and Stimulus-independent Latent Factors [5.967290675400836]
  本稿では,映像刺激と刺激非依存の潜伏因子からニューロン反応の結合分布を予測する確率モデルを提案する。 その結果,他のニューロンからの反応を条件づけた場合,対数様態で映像のみのモデルより優れ,可能性や相関性が向上することが判明した。
  論文  参考訳（メタデータ） (2024-10-21T16:01:39Z)
• Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
  神経科学とAIの両方では、ニューロン間の'バインディング'が、ネットワークの深い層においてより抽象的な概念を表現するために表現を圧縮する、競争的な学習の形式につながることが知られている。 完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。 このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、定量化、推論など、幅広いタスクにわたるパフォーマンス改善を提供する。
  論文  参考訳（メタデータ） (2024-10-17T17:47:54Z)
• From Data-Fitting to Discovery: Interpreting the Neural Dynamics of Motor Control through Reinforcement Learning [3.6159844753873087]
  足の移動を行う仮想ロボットの構造的神経活動について検討した。 歩行訓練されたエンボディードエージェントは、タングリングを避けるスムーズなダイナミックスを示す。
  論文  参考訳（メタデータ） (2023-05-18T16:52:27Z)
• Modelling Human Visual Motion Processing with Trainable Motion Energy Sensing and a Self-attention Network [1.9458156037869137]
  本稿では,生体とコンピュータの視覚モデルとのギャップを埋めることで,人間の動作知覚のイメージ計算可能なモデルを提案する。 このモデルアーキテクチャは、生体視覚システムにおける運動知覚のコア構造であるV1-MTの計算を捉えることを目的としている。 サイリコ神経生理学では、我々のモデルの単位応答は、運動プーリングやスピードチューニングに関する哺乳類の神経記録に類似していることが明らかになっている。
  論文  参考訳（メタデータ） (2023-05-16T04:16:07Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• 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。