一些神经科学研究的一个关键目标是理解和模拟不同神经元群体的动态如何引起特定的人类和动物行为。探索神经活动和行为之间联系的许多现有方法依赖于静态图像和脑部扫描的分析，而不是神经元活动随时间的动态演变。
用于描述系统随时间演变的动态模型、数学或计算方法为这些方法提供了有价值的替代方法。过去引入的大多数动态模型都是线性的，这意味着它们假设神经活动的变化遵循一个简单的结构。
虽然线性模型往往更容易实现和解释，但它们往往无法准确捕获复杂的神经动力学。这促使一些神经科学家和计算机科学家开发其他可以描述不同类型的线性和非线性动态的动态模型。
南加州大学和宾夕法尼亚大学的研究人员最近介绍了一种新的基于循环神经网络(rnn)的非线性动态建模框架，该框架解决了过去神经科学研究中引入的动态模型的一些局限性。发表在《自然神经科学》(Nature Neuroscience)杂志上的一篇论文概述了这个新框架，它既可以用来模拟与行为相关的神经动力学，也可以用来模拟其他神经动力学，但它将两者分离开来，并优先考虑与行为相关的动力学。
Omid G. Sani, Bijan Pesaran和Maryam M. Shanechi在他们的论文中写道:“理解神经活动到行为的动态转变需要新的能力来非线性建模，分离和优先考虑与行为相关的神经动力学，并测试关于非线性起源的假设。”“我们提出了解离优先动态分析(DPAD)，这是一种非线性动态建模方法，可以通过多段神经网络架构和训练方法实现这些功能。”
研究人员使用四步优化算法训练基于rnn的模型。该算法允许模型优先学习与行为相关的潜在状态，同时也学习任何剩余的神经动力学。
为了展示他们的非线性动态建模框架的潜力，研究人员将其应用于五个不同的神经科学问题。他们专门用它来分析和模拟非人类灵长类动物在完成不同任务时大脑中神经元活动的数据集中的神经动力学。
Sani, Pesaran和Shanechi写道:“通过分析四种运动任务中的皮质尖峰和局部场电位活动，我们展示了五个用例。”“DPAD实现了更准确的神经行为预测。它确定了局部场势的非线性动态变换，比传统的功率特征更能预测行为。此外，DPAD实现了行为预测的非线性神经降维。它可以对神经行为转换中的非线性进行假设检验，揭示在我们的数据集中，非线性可以在很大程度上与从潜在皮层动力学到行为的映射隔离开来。”
这组研究人员进行的初步测试的结果表明，他们的模型可能是神经科学研究的一个有价值的工具，因为它可以帮助测试关于动态和非神经动力学如何与特定行为相关的假设。值得注意的是，他们的模型被发现适用于连续(即在给定时间内连续监测)，间歇采样(即在不同时间点记录)和分类(即属于不同类别)行为的研究。
作为他们研究的一部分，研究人员主要展示了使用他们的方法来模拟灵长类动物神经活动向行为的转变。然而，它也有可能被用来模拟其他的大脑动力学，比如不同大脑区域的共享和独特的动力学，或者由感觉刺激引起的神经动力学。
更多信息:Omid G. Sani等，使用递归神经网络的行为相关神经动力学解离和优先建模，Nature Neuroscience(2024)。DOI: 10.1038/s41593-024-01731-2
?2024 Science X Network
引用:递归神经网络
sed f
非线性行为相关神经动力学模型的框架(2024,10月5日)，检索自https://medicalxpress.com/news/2024-10-recurrent-neural-network-based-f
html本文档
作品受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。的有限公司
内容仅供参考之用。
