一种用于切换脑状态发现的一位通用线性模型
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
该研究使用隐藏马尔科夫模型(HMM)来构建多层的带有时空结构的网络模型,探索动态脑活动和区域之间的交互。结果显示出支持神经熵理论的新证据,同时也支持原有的模块化处理假设。
Mar, 2022
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
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
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
提出了一种基于深度生成模型的注意力神经网络架构,对高维、纵向数据中的患者生物标志物进行建模,达到了可扩展和准确预测疾病进展的效果,同时在实际临床数据上提供了癌症进展动态的解释性见解。
Feb, 2021
模型训练中随机性的影响,如何解释数据顺序和初始化的差异,以及如何解读训练动态和不同轨迹所特征的相变,使用隐马尔可夫模型对神经网络训练过程进行建模,研究相变和减速收敛的潜在 “绕道” 状态。
Aug, 2023
研究发现,泊松广义线性模型可用于表征神经元的动力学行为,包括单峰和多峰放电、不同兴奋类型和双稳态等,从而适用于单神经元和群体响应属性的动力学和统计学研究。
Feb, 2016
本文提出了一种从高维时间序列数据中提取少数基本隐藏变量的方法,并学习这些隐藏变量之间的状态转移规则的方法,实验结果表明该方法可以从观测到的状态转移中学习这些物理系统的动态,并预测未观测到的未来状态。
Dec, 2022
提出了一种新的概率潜变量模型 (mGPLVM) 来同时确定潜变量状态和神经元对其表示的贡献,以研究神经元编码头部方向及其它相关行为表现内部潜变量构建的问题。
Jun, 2020