BrainDyn：用于生成脑动力学的图谱神经ODE
机器学习
2026-05-20 v1
摘要
高效的神经网络模型可生成类似脑的动态活动，对生成合成数据、分析脑瞬时差异（如测试扰动活动或推断潜在生成动力学）都具有重要价值。然而，大型语言模型（LLMs）或标准循环神经网络（RNNs）忽略了解剖组织结构，因而无法产生与脑区相关的组成部分。另一方面，基于图的网络常具有非常简单的消息传递规则，难以捕捉脑类动态。为此，我们引入BrainDyn，一种在结构化脑图上进行连续时间动态的图谱神经普通微分方程（神经ODE）模型。BrainDyn使用在滑动时间窗口上进行的长短期记忆（LSTM）模型对每个脑区的最近活动历史进行编码，产生隐藏状态（stalks），这些状态通过可学习的限制映射投射到边缘特定的共享空间中。这些共享空间中相邻节点的差异由图谱拉普拉斯算子特征化，可促进神经元单元之间的消息传递。随后，这些消息被输入神经ODE，以决定神经元活动的连续时间演化。我们在静息状态fMRI（PNC数据集）、头皮EEG伴有局灶癫痫（TUSZ数据集）以及来自NEST脑神经网络模拟器的模拟活动上评估了BrainDyn。BrainDyn在不同模态上实现了强大的预测能力，所得表示支持包括内部分析预测在内的下游任务。
引用
@article{arxiv.2605.19324,
title = {BrainDyn: A Sheaf Neural ODE for Generative Brain Dynamics},
author = {Siddharth Viswanath and Panayiotis Ketonis and Chen Liu and Michael Perlmutter and Dhananjay Bhaskar and Smita Krishnaswamy},
journal= {arXiv preprint arXiv:2605.19324},
year = {2026}
}