数据驱动的神经动力学反问题：方法、系统性质分析、控制丨计算神经科学读书会·周四直播

导语

大脑是一个复杂动力学系统。动力学正问题是指通过动力学模型进行生成和仿真，反问题则是已知系统运动（或输出）辨识系统或求解驱动力（或输入）的问题。在神经科学领域，神经动力学正问题可以给定大脑的输入信号来预测或分析神经元或神经网络的行为或响应；神经动力学反问题则是利用大脑的大量观测数据，学习底层动力学系统或估计大脑的输入。随着AI的飞速发展，数据驱动的学习可以给大脑动力学反问题提供新方法和新工具。

集智俱乐部联合国内外多所知名高校的专家学者发起神经、认知、智能系列读书会第三季——「计算神经科学」读书会。从2024年2月22日开始，每周四19:00-21:00进行，持续时间预计10-15周，欢迎感兴趣的朋友报名参与，深入梳理相关文献、激发跨学科的学术火花！

简介

在本次分享中，刘泉影老师将从数据驱动的角度，介绍基于白盒模型、灰盒模型和黑盒模型的神经动力学反问题的求解方法，以及对辨识的动力学系统进行系统性质分析，最后利用基于模型的控制理论对神经动力学系统进行调控。

大纲

背景：数据驱动的神经动力学建模与反问题求解

神经动力学正向建模

反问题求解

动力学分析

挑战与应用

Q1: 数据驱动的方法建模脑网络动力学

白盒模型的反问题：基于iEEG数据训练Jansen-Rit模型

灰盒模型的反问题：基于神经元群体spike rate数据训练EI-RNN模型

黑盒模型的反问题：基于fMRI数据和EEG脑源数据训练ANN模型

Q2: 神经动力学系统性质分析

癫痫发作过程的系统性质分析

神经元或大脑学习过程的系统性质分析

Q3: 基于神经动力学模型的神经调控

Koopman模型与控制：抑制癫痫

EI-RNN模型与控制：调节神经元群体活动

总结与展望

核心概念

神经动力学
反问题
数据驱动
Koopman模型
EI-RNN模型
白盒模型
灰盒模型
黑盒模型
Jansen-Rit模型

主讲人介绍

南方科技大学生物医学工程系助理教授，博士生导师，神经计算与控制实验室PI。本科和硕士毕业于兰州大学信息学院，博士毕业于瑞士苏黎世联邦理工大学生物医学工程方向，在美国加州理工学院进行计算与数学科学方向的博士后训练。

研究方向：机器学习算法、多模态神经信号处理、神经计算建模、医学人工智能等。

直播信息

时间：

2024年6月20日（本周四）晚上19:00-21:00

参与方式：

扫码参与计算神经科学读书会，加入群聊，获取系列读书会回看权限，成为计算神经科学社区的种子用户，与社区的一线科研工作者与企业实践者沟通交流，共同推动计算神经科学社区的发展。

报名成为主讲人：

读书会成员均可以在读书会期间申请成为主讲人。主讲人作为读书会成员，均遵循内容共创共享机制，可以获得报名费退款，并共享本读书会产生的所有内容资源。具体见系列读书会详情：计算神经科学读书会启动：从复杂神经动力学到类脑人工智能

资料推荐

文章讨论基于 RNN 的动态系统重建的形式先决条件、不同的模型架构和训练方法、评估和验证模型性能的方法、如何在神经科学背景下解释训练模型以及当前的挑战。

Durstewitz, Daniel, Georgia Koppe, and Max Ingo Thurm. “Reconstructing computational system dynamics from neural data with recurrent neural networks.” Nature Reviews Neuroscience 24.11 (2023): 693-710.

文章在兴奋性和抑制性 RNN 单元中发现了网格状响应，这些响应在空间线索、视觉输入维度和激活函数方面都很稳健，群体反应揭示了低维、环面流形和吸引子。

Zhang, Xiaohan, et al. “Excitatory-inhibitory recurrent dynamics produce robust visual grids and stable attractors.” Cell reports 41.11 (2022).

文章使用神经网络生成图片，刺激猴子大脑，最大化视觉区域神经元的激活。

Bashivan, Pouya, Kohitij Kar, and James J. DiCarlo. “Neural population control via deep image synthesis.” Science 364.6439 (2019): eaav9436.

文章提出了一种用于癫痫实时闭环电神经调节的 Koopman-MPC 框架，为基于模型的闭环神经调节打开了一个新窗口，并揭示了非线性神经动力学和反馈控制策略。

Liang, Zhichao, et al. “Online Learning Koopman operator for closed-loop electrical neurostimulation in epilepsy.” IEEE Journal of Biomedical and Health Informatics 27.1 (2022): 492-503.

文章提出了控制节点选择对癫痫网络控制的关键作用。

Xia, Zhongye, Weibin Li, Zhichao Liang, Kexin Lou, and Quanying Liu. “Controlling network-coupled neural dynamics with nonlinear network control theory.” arXiv preprint arXiv:2405.06971 (2024).

文章提出一种受生物学启发的架构空金字塔图卷积网络（STpGCN），捕获功能性大脑活动的时空图。

Ye, Ziyuan, et al. “Explainable fMRI‐based brain decoding via spatial temporal‐pyramid graph convolutional network.” Human Brain Mapping 44.7 (2023): 2921-2935.

建模的目的是为了找到合适的压缩方式，以最有效的方式表征信息。

Ilya Sutskever: An observation on generalization

https://www.youtube.com/watch?v=AKMuA_TVz3A

计算神经科学读书会

人类大脑是一个由数以百亿计的神经元相互连接所构成的复杂系统，被认为是「已知宇宙中最复杂的物体」。本着促进来自神经科学、系统科学、信息科学、物理学、数学以及计算机科学等不同领域，对脑科学、类脑智能与计算、人工智能感兴趣的学术工作者的交流与合作，集智俱乐部联合国内外多所知名高校的专家学者发起神经、认知、智能系列读书会第三季——「计算神经科学」读书会，涵盖复杂神经动力学、神经元建模与计算、跨尺度神经动力学、计算神经科学与AI的融合四大模块，并希望探讨计算神经科学对类脑智能和人工智能的启发。读书会从2024年2月22日开始，每周四19:00-21:00进行，持续时间预计10-15周，欢迎感兴趣的朋友报名参与，深入梳理相关文献、激发跨学科的学术火花！