Neurons and Cognition
PulseAugur coverage of Neurons and Cognition — every cluster mentioning Neurons and Cognition across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。