Deep Jansen-Rit Parameter Inference for Model-Driven Analysis of Brain Activity

要約

効果的な接続（EC）を正確にモデリングすることは、脳が感覚情報をどのように処理および統合するかを理解するために重要です。
しかし、それは、脳波（EEG）から得られた複雑な神経ダイナミクスと騒々しい測定のために、恐るべき課題のままです。
モデル駆動型ECは、神経活動の生成モデルを実験データに適合させることにより、ローカル（脳領域内）およびグローバル（脳領域間）ECパラメーターを実現します。
このアプローチは、神経発達障害の調査など、さまざまなアプリケーションの有望なルートを提供します。
ただし、現在のアプローチは全脳分析にスケーリングできず、非常に騒音に敏感です。
この作業では、3つの深い学習アーキテクチャを採用しています – 変圧器、長期記憶（LSTM）ネットワーク、および畳み込みニューラルネットワークと双方向LSTM（CNN-BILSTM）ネットワーク – 逆モデリングと、シミュレーションベースの推論とヤンセンリットニューラルマスモデル（JR-NMM）パラメーターがシミュレーションEEGデータから推定されます。
シナプスのゲインや時間定数など、主要なローカルパラメーターの信頼できる推定を実証します。
ただし、ローカルJR-NMM接続のような他のパラメーターは、誘発関連の電位（ERP）から確実に評価することはできません。
また、ERPに対するJR-NMMパラメーターの影響を特徴付けるために感度分析を実施し、それらの学習性を評価します。
私たちの結果は、学習可能なJR-NMMパラメーターのサブセットを推定するための深部学習アプローチの実現可能性を示しています。

要約(オリジナル)

Accurately modeling effective connectivity (EC) is critical for understanding how the brain processes and integrates sensory information. Yet, it remains a formidable challenge due to complex neural dynamics and noisy measurements such as those obtained from the electroencephalogram (EEG). Model-driven EC infers local (within a brain region) and global (between brain regions) EC parameters by fitting a generative model of neural activity onto experimental data. This approach offers a promising route for various applications, including investigating neurodevelopmental disorders. However, current approaches fail to scale to whole-brain analyses and are highly noise-sensitive. In this work, we employ three deep-learning architectures–a transformer, a long short-term memory (LSTM) network, and a convolutional neural network and bidirectional LSTM (CNN-BiLSTM) network–for inverse modeling and compare their performance with simulation-based inference in estimating the Jansen-Rit neural mass model (JR-NMM) parameters from simulated EEG data under various noise conditions. We demonstrate a reliable estimation of key local parameters, such as synaptic gains and time constants. However, other parameters like local JR-NMM connectivity cannot be evaluated reliably from evoked-related potentials (ERP). We also conduct a sensitivity analysis to characterize the influence of JR-NMM parameters on ERP and evaluate their learnability. Our results show the feasibility of deep-learning approaches to estimate the subset of learnable JR-NMM parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google