本文介绍了一种新方法，使用顺序变分自编码器（SVAE）和神经常微分方程（NODE）来学习神经动力学的低维逼近。该方法产生的光滑动态可以准确地预测认知过程，并显示出对任务相关的脑区的改善空间定位并识别出著名的结构，如 fMRI 运动任务记录中的运动全身像。

May, 2023

该论文提出了一种基于扩散模型的方法，用于在跨域和跨主体领域中提高神经人口活动的对齐质量，维护潜在动态的时空结构，并实现超过现有方法的对齐质量。

Jun, 2023

本研究提出了一种基于统计学习的无监督几何深度学习框架，利用局部相空间特征的统计分布来表示非线性动态系统，该方法提供了鲁棒的几何感知或几何无关的表示，可用于测量轨迹的基础上进行无偏的动力学比较，并设计了一种具有最先进准确性的解码算法。

Apr, 2023

本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

Aug, 2018

运用深度学习方法解读神经活动的研究表明，通过扩大模型规模和数据集规模，我们能更好地理解神经活动的特征。本文介绍了一种用于对各种大规模神经活动数据进行建模的训练框架和架构，通过将数据集中的个体脉冲进行分词来捕捉神经活动的细微时间结构，并利用交叉注意力和 PerceiverIO 主干构建神经群体活动的潜在分词。通过这种架构和训练框架，我们构建了一个大规模的多会话模型，利用来自七只非人灵长类动物的大型数据集，跨越 158 个不同的记录会话、27373 个神经单元和 100 多小时的记录。在许多不同的任务中，我们证明了我们的预训练模型可以快速适应新的、未知的带有未指定神经元对应关系的记录会话，以最小的标签实现少样本性能。这项工作为构建分析神经数据的深度学习工具提供了一种有力的新方法，并为规模化训练开辟了明确的路径。

Oct, 2023

神经元的高度变化动力学，提出了一种基于自监督学习的方法，通过对种群记录进行置换和不变总结对个体神经元赋予时间不变性表示，对神经元活动进行动力学建模，可实现对转录组标签的预测，大约提升了 35% 的预测转录组亚类别的准确性，并且相对于最先进的方法提高了 20% 的类别预测准确性。

Nov, 2023

本研究提出了一种用于分析神经响应自然刺激的方法，该方法克服了这些刺激所具有的非高斯性和强相关性。该方法基于投射低维子空间上的刺激和神经响应之间的互信息最大化，可以用来确定神经元的输入 - 输出功能，从而更好的理解神经元的功能对刺激的响应。

Dec, 2002

通过将广义线性模型与柔性基于图的先前知识结合，利用 Polya-gamma 增强的完全贝叶斯推理的方法，可以从神经元的同时记录的 Spike train 数据中推断潜在结构，我们的方法将神经元分类并从相关的 Spike train 中推断电路组织的潜在维度，并通过应用于灵长类视网膜的多神经元记录，揭示了神经元类型和位置的潜在模式。

Oct, 2016

本研究基于最大熵理论和马尔可夫假设，以模型为基础实现了对分布式脉冲活动中人口模式出现的预测，并成功优于只考虑成对相关性的伊辛模型。同时，实验数据表明这种方法也适用于慢波睡眠等过程的分析。

Mar, 2009

本文以动态模态分解算法为基础，结合机器学习方法，研究人脑神经元的大规模信号记录及其体内活动，并通过睡眠肌阵振网络的提取，验证了该算法在脑神经元信号记录分析方面的高效性和适用性。

Sep, 2014