Neurons and Cognition
PulseAugur coverage of Neurons and Cognition — every cluster mentioning Neurons and Cognition across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的认知模型分析具身主动视觉中的视觉空间复杂性
研究人员引入了一个新的框架来分析多模态数据，重点关注复杂性如何影响动态环境中的具身感知和交互。该模型将复杂性分为定量、结构、动态、听觉和交互属性，以表征视觉空间复杂性，特别是在驾驶的背景下。该框架旨在为创建基准数据集和研究视觉空间复杂性对人类主动视觉的影响提供理论基础，最终能够从以人为中心的角度自动解释3D环境中的复杂性。
-
新的路径积分模型将认知视为成本优化
研究人员开发了一种认知成本优化的数学和物理表述，将目标导向的认知过程建模为投影仪哈密顿量下的虚时演化。这种方法与双括号流一致，并且可以通过维克旋转重新表述为等效的幺正演化，从而允许离散路径积分表示。该模型通过幺正相互作用的强度连接无意识处理和有意识处理，在弱耦合极限下恢复了 Gorini--Kossakowski--Sudarshan--Lindblad 退相干模型，在强耦合极限下恢复了优化状态的投影、可报告的固定。
-
新型EEGNet架构通过多感官反馈改进误差信号解码
研究人员开发了一种新颖的多分支EEGNet架构，用于在复杂的多感官反馈条件下改进误差相关电位（ErrPs）的解码。该方法利用辅助监督来增强视觉、听觉和触觉反馈的鲁棒性，即使在反馈不一致的情况下也是如此。实验表明，与基线模型相比，所提出的模型在分类性能上保持一致，并且准确性有所提高，尤其是在多模态反馈场景下，这表明了一种更稳定的检测误差感知神经信号的方法。
-
掩码自编码器从无标签数据中学习感知相关的神经表征
研究人员证明了掩码自编码器可以从无标签的神经数据中学习有意义的表征，特别是静息态神经活动。通过在一名盲人参与者大脑V1区域的数小时自发多单元活动上预训练掩码自编码器，该模型成功捕获了与大脑空间组织和感知状态分离相关的可解释结构。这种无监督预训练策略被证明能有效改进神经解码，在使用模型冻结的潜在表征进行线性探测时，在一个通用心理测量任务上达到了84.1%的准确率，在一个更具挑战性的阈值水平任务上达到了64.0%的准确率。
-
新AI模型学习紧凑型脑图谱表示以解码认知状态
研究人员开发了一种新颖的方法，利用图Transformer自编码器为功能性脑图谱创建紧凑型表示。该方法将领域特定的几何信息作为归纳偏置来指导学习过程。该无监督方法能够区分认知状态和解码视觉刺激，并在包含神经动力学时提高性能。此外，还为学习到的潜在表示拟合了一个扩散模型，以生成合成脑图谱。
-
神经科学论文提出新的大脑间网络分析几何框架
研究人员提出了一种新颖的几何框架，用于分析神经科学中的大脑间网络动力学。这种方法超越了传统的基于相关性的同步指标，通过解释神经元相互作用的变化以及神经元网络的演化几何结构。该方法利用了一个管道，通过从曲率分布派生的熵指标来识别连接性的关键转变，旨在增强超扫描方法学，以揭示社会行为中的神经机制。
-
REST-GAN模型合成脑电图信号并学习可迁移表征
研究人员开发了REST-GAN，一种新颖的生成对抗网络，旨在合成静息态脑电图（EEG）信号并提取可迁移表征。该框架结合了对抗性训练和自监督重构目标，能够生成逼真的EEG时间序列，准确捕捉时间、频谱和连接性特征。学习到的表征在人口统计学分类任务中表现出有效性，优于在原始EEG上训练的模型，并以显著减少的数据和计算需求，在与现有基础模型竞争中取得优异成绩。
-
新框架使用生成模型模拟解码神经反馈
研究人员开发了DecNefSimulator，这是一个旨在模拟和分析解码神经反馈（DecNef）过程的新框架。该工具利用生成模型充当虚拟参与者，从而可以研究DecNef的动态以及各种协议设计和受试者特征的影响。该模拟器旨在通过提供一个用于计算机实验和协议优化的虚拟实验室，来克服当前DecNef研究中的局限性，例如受试者依赖的变异性和对间接测量的依赖性。
-
新型混合模型使用神经ODE学习神经元动力学
研究人员开发了一个新颖的混合建模框架，将神经常微分方程（Neural ODEs）集成到生物物理神经元模型中。这种方法可以直接从电压记录中灵活地发现未知或错误指定的离子通道动力学，同时保持机制的可解释性。该方法已证明其能够拟合现有的离子通道模型并恢复未知的门控动力学，甚至能泛化到不同的刺激模式。此外，通过创建一个具有学习轴向电流的单室混合模型，可以降低复杂神经元模型（如多室皮层神经元模型）的计算成本。
-
Think-aloud 数据改进了超越行为的认知模型发现
研究人员开发了一种新的认知模型发现方法，将“出声思维”痕迹与传统的行为数据相结合。这种方法应用于风险决策，显著提高了在未见过数据上的预测性能。与仅从行为得出的模型相比，使用这种增强方法发现的模型也表现出不同的结构类别，表明对潜在认知机制的更准确表示。