Benchmarking Deep Jansen-Rit Parameter Inference: An in Silico Study

要約

効果的な接続性 (EC) の研究は、脳がさまざまな感覚入力をどのように統合し、それに応答するかを理解するために不可欠です。
EC のモデル駆動推定は、神経活動の生成モデルのグローバル パラメーターとローカル パラメーターを推定する必要がある強力なアプローチです。
このプロセスを通じて収集された洞察は、神経発達障害の研究など、さまざまな用途に使用できます。
しかし、脳ダイナミクスの複雑さと、脳波検査 (EEG) などの神経記録に固有のノイズのため、生成モデルを通じて EC を正確に決定することは依然として大きな課題です。
EC を研究する現在のモデル駆動方法は計算が複雑で、全脳分析で必要とされるすべての脳領域に拡張することができません。
EC の評価を容易にするために、推論アルゴリズムはノイズの存在下でパラメーターの信頼できる予測を示さなければなりません。
さらに、モデルパラメータと神経記録の間の関係は学習可能でなければなりません。
これらの目的に向けて前進するために、さまざまなノイズ条件下で Jansen-Rit 神経質量モデル (JR-NMM) でシミュレートされた EEG からのパラメーター推論のための Bi-LSTM モデルのパフォーマンスをベンチマークしました。
さらに、私たちの研究では、シナプス利得や時定数などの主要な生物学的パラメーター（つまり、感度分析）の変化に JR-NMM がどのように反応するかについても調査しています。これは、神経機構と観察された脳活動との関係を理解する上で重要なステップです。
私たちの結果は、EEG からローカル JR-NMM パラメーターを予測できることを示しており、深層学習ベースの推論アプローチの実現可能性を裏付けています。
将来の研究では、このフレームワークを拡張して、臨床関連アプリケーションで実際の脳波からローカルおよびグローバルパラメータを推定する予定です。

要約(オリジナル)

The study of effective connectivity (EC) is essential in understanding how the brain integrates and responds to various sensory inputs. Model-driven estimation of EC is a powerful approach that requires estimating global and local parameters of a generative model of neural activity. Insights gathered through this process can be used in various applications, such as studying neurodevelopmental disorders. However, accurately determining EC through generative models remains a significant challenge due to the complexity of brain dynamics and the inherent noise in neural recordings, e.g., in electroencephalography (EEG). Current model-driven methods to study EC are computationally complex and cannot scale to all brain regions as required by whole-brain analyses. To facilitate EC assessment, an inference algorithm must exhibit reliable prediction of parameters in the presence of noise. Further, the relationship between the model parameters and the neural recordings must be learnable. To progress toward these objectives, we benchmarked the performance of a Bi-LSTM model for parameter inference from the Jansen-Rit neural mass model (JR-NMM) simulated EEG under various noise conditions. Additionally, our study explores how the JR-NMM reacts to changes in key biological parameters (i.e., sensitivity analysis) like synaptic gains and time constants, a crucial step in understanding the connection between neural mechanisms and observed brain activity. Our results indicate that we can predict the local JR-NMM parameters from EEG, supporting the feasibility of our deep-learning-based inference approach. In future work, we plan to extend this framework to estimate local and global parameters from real EEG in clinically relevant applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google