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
简介
简介
大纲
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
核心概念
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
主讲人介绍
直播信息
直播信息
报名成为主讲人:
资料推荐
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
详情请见: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
点击“阅读原文”,报名读书会