学习多模态神经记录中与行为相关的动力学
Learning Behaviorally Relevant Dynamics in Multimodal Neural Recordings
预印本 · 尚未经过同行评审
以往区分行为相关与残余神经变异的模型多只用单一神经模态。作者提出非线性多模态动力学模型 BREM-NET，在公开的非人灵长类数据上整合二维伸手任务中的锋电位与局部场电位同步记录，通过结构化学习框架分离两类动力学，行为解码和神经预测均更好，与行为的潜在对齐也更强；在模态异步或数据缺失时仍保持这些能力。
多模态神经数据能够更完整地理解行为背后的脑动力学。诸如脉冲活动、局部场电位（LFPs）和行为等模态捕捉了脑过程在时空上的不同方面，但此前将变异性来源分离的神经-行为模型依赖于单一神经模态。通过利用这些互补优势，多模态神经融合能够为脑-行为过程提供统一而丰富的表征，并克服单模态分析的局限。在此我们开发了 BREM-NET，一种非线性多模态动力学模型，它将行为与具有不同统计特征和时间分辨率的多种神经模态整合在一起。BREM-NET 在推断过程中进行多模态神经融合，同时通过结构化学习框架将行为相关神经动力学与残余神经动力学分离。在一个公开的非人灵长类多模态数据集中（该数据集包含二维伸手任务期间同步记录的脉冲和局部场电位），BREM-NET 分离了这两类动力学，并更准确地学习它们，这体现在更好的行为解码、更好的神经预测以及与行为更强的潜在对齐上；并且当神经模态异步或出现丢失时——这些是真实记录中的主要挑战——它仍能保持这些能力。该框架为研究跨越脑活动时空尺度的行为相关神经计算提供了一种新工具。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Neural and Evolutionary Computing · arxiv.org