深度神经插补：一种恢复不完整脑记录的框架
机器学习
2022-06-17 v1 神经与进化计算
神经元与认知
机器学习
摘要
神经科学家与神经工程师长期依赖多电极神经记录来研究大脑。然而在典型实验中，诸多因素会损坏来自单个电极的神经记录，包括电噪声、运动伪影与制造缺陷。当前常见做法是丢弃这些损坏记录，减少了本就有限且难以收集的数据。为应对该挑战，我们提出深度神经插补（DNI），一种通过跨空间位置、天数与参与者收集的数据进行学习来恢复电极缺失值的框架。我们以线性最近邻方法与两个深度生成式自编码器探索该框架，展示了 DNI 的灵活性。一个深度自编码器对参与者单独建模，另一个则将此架构扩展为联合建模多名参与者。我们在 12 名植入多电极颅内皮层脑电（ECoG）阵列的人类参与者上评估了模型；参与者无明确任务且于数百 recording 小时内自然行为。我们表明 DNI 不仅恢复时间序列还恢复频域内容，并通过在科学相关的下游神经解码任务上恢复显著性能进一步确立了 DNI 的实用价值。
引用
@article{arxiv.2206.08094,
title = {Deep Neural Imputation: A Framework for Recovering Incomplete Brain Recordings},
author = {Sabera Talukder and Jennifer J. Sun and Matthew Leonard and Bingni W. Brunton and Yisong Yue},
journal= {arXiv preprint arXiv:2206.08094},
year = {2022}
}