脑动力学多重空间时间模型中社区的排名
使用统一的统计框架,提出了 MSS-SBM 方法,可以跨个体并能捕捉时间上的演化,用于大量 multi-subject 的人脑功能网络的群体分析,应用于任务 fMRI 的分析中,探测了动态重构特征和不同任务条件下的 community connectivity 独特性。
Apr, 2020
研究了脑网络和脑功能的生理基质,通过 EEG 和隐马尔可夫模型分析了脑网络的时空动态和状态的拓扑结构,与经典的 EEG 微状态分析相比,发现两种方法的主导状态寿命均为 100-150ms,HMM 方法有独特的时空特性,可能从数据模式中获取生理学的信息,然而必须进一步研究以确定电脑 HMM 状态与微状态在脑功能和临床研究中的可靠性和重要性。
Jun, 2016
该研究论文介绍了一种新的模型 MNGL(Multi-state Network Graphical Lasso),通过将 CGL(coherent graphical lasso)与 GMM(Gaussian Mixture Model)相结合,成功地建模了多状态脑网络,通过使用合成和真实的 ADHD 200 fMRI 数据集,证明 MNGL 比最新的最先进替代方案发现更多解释性和逼真的结果。
Nov, 2023
传统的心理健康研究方法包括广义线性模型(GLM)来描述观察到的心理行为测量(问卷摘要得分)的纵向动态。而隐藏马尔可夫模型(HMM)通过有限状态自动机(FSA)的视角应用于行为和神经活动与抑郁之间的关系,以提供更综合和直观的建模和理解框架。
Mar, 2024
通过建立整个脑部的概率模型,利用群体数据来推断个体的脑连接结构,进而探索大规模的功能结构,以及首次展示已知的认知网络是如何成为功能连接图的集成社团的。
Aug, 2010
本研究提出了一种基于机器学习的方法来对脑活动进行长期预测,该方法基于 Koopman 算子,通过建立一种非线性映射来达到降维和预测的目的,并且实验证明该方法在预测方面的表现要好于传统的基于随机游走模型的方法。
Apr, 2023
本文介绍了一种基于递归神经网络(RNN)的神经元群体动态行为的建模方法,该方法经过 macaque 大脑皮层的四个数据集的测试,效果较其他模型更好,其中,RNN 的自回归偏差是实现最高水平性能的关键因素之一。此外,提出了一个新的混合架构,将 RNN 与自我关注补充在一起,从而进一步提高性能。
Apr, 2023
本文提出了一种基于模型的方法来分析动态时间变化的网络中的演员,即动态层析。与其他网络推断技术不同,我们的方法将每个演员的角色建模为一个时间演化的混合成员向量,以更贴近现实。我们应用该模型分析了僧侣之间的社交网络,Enron 员工之间的动态电子邮件通信网络和果蝇在其完整生命周期期间重新布线的基因相互作用网络,揭示了演员动态角色的有趣模式。
Dec, 2008
通过将社交网络影响视为用户感知的影响,开发了用于用户活动的概率模型,其中每个用户的活动根据一个具有隐藏状态的马尔可夫链发展,而该隐藏状态受用户朋友的集体活动影响。通过使用推特上用户活动的大量语料库验证所提出的模型,数值研究表明,在具有足够观察以确保准确模型学习的情况下,所提出的框架比基于更新过程的模型或传统的未耦合的隐藏马尔可夫模型更好地解释了观察到的数据,并展示了所提出方法在预测下一条推文的时间方面的效用。最后,该模型参数空间中的聚类显示出由用户和他的网络之间的互动动态特征化的不同自然群集。
May, 2013
提出了一种基于先验信息的状态切换广义线性模型,通过引入高斯先验和独热先验来捕捉状态恒定的相互作用,从而揭示了潜在的解剖连接和更可能的物理神经元相互作用,同时在多种脑状态下可以捕捉到功能变化。
Oct, 2023