返回
ADA: A decoding algorithm for temporally-variable brain responses
DOI:10.1016/j.csbj.2025.10.044.png)
摘要
En 中文
解码精神内容是理论神经科学和神经工程学中长期以来的目标。尽管当前方法在具有外部定时事件的任务(如感知或运动执行)中表现良好,但由于对基础神经动力学时序的不确定性,解码意象或记忆提取等隐含认知过程仍具挑战性。在这些情况下,神经生理学反应无法可靠地与可观察行为关联,且可能在不同试次中出现潜伏期变化。这增加了时锁分析技术的应用难度,该技术需逐时间点跨试次解码,因而假设信号时序一致。该问题对应于一个研究不足的监督学习类别,其中输入特征可能被有效错标,且需在不同案例间进行对齐。为解决此问题,我们提出自适应解码算法(ADA),一种基于两级预测的非参数方法。首先,我们针对每个试次估计最可能反映任务相关信号的时间窗口;其次,基于信息窗口的选择解码测试试次。通过受控模拟以及基于真实感知数据的记忆提取模型,我们证明ADA优于假设固定时序结构的替代方法。这些结果表明,当相关神经活动的时序未知时,明确考虑试次特异性时序可显著提升解码性能。
Keyword:
Brain decoding
Cognitive neuroscience
Temporal variability
MEG
Machine learning
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.1
论文数:
748
被引数:
1.4W
机构
引用论文
Williams, A. H. et al. Discovering precise temporal patterns in large-scale neural recordings through robust and interpretable time warping. Neuron 105, 246–259 (2020).Williams, A. H. 等人. 通过鲁棒且可解释的时间扭曲方法在大规模神经记录中发现精确的时间模式. Neuron 105, 246–259 (2020).

