基于单变量和多变量方法的大鼠脑局部场电位预测建模
信号处理
2025-02-25 v1 图像与视频处理
摘要
精确预测奖赏电路中神经动力学对于阐明自然奖励和药理学奖励如何影响神经活动和连接性至关重要。传统的线性模型，如自回归（AR）和向量自回归（VAR），往往不足以捕捉神经数据中固有的非线性相互作用。本研究开发并基准测试了线性和先进的深度学习模型，用于预测大鼠海马（HIP）和核内核糖核（NAc）在吗啡、食物和盐水条件下的局部场电位（LFP）。我们比较了 AR、VAR、长短期记忆（LSTM）和小波基深度学习模型（WCLSA）。此外，还引入了一种新型小波相干性增强模型（WCOH CLSA）来捕捉跨区域的连接性。结果表明，WCLSA 在食物组中实现了卓越的预测准确性（HIP 最高达 0.97，NAc 在吗啡组中为 0.96），而 VAR 在食物组中表现出竞争力，这是由于显著的 HIP-NAc 相关性所致。小波相干性分析揭示了在自然奖励情境中存在稳健的连接性，而在药理学影响下则表现出被破坏或非线性关系。这些发现突显了 HIP 和 NAc 在奖励处理中的不同参与方式，强调了使用先进的非线性模型捕捉复杂神经动力学的重要性。该研究为预测神经科学和阐明奖励电路中的功能相互作用提供了稳健的框架。
引用
@article{arxiv.2502.16544,
title = {Predictive Modeling of Rat Brain Local Field Potentials using Single-Variable and Multivariable Approaches},
author = {AmirAli Kalbasi and Shole Jamali and Mahdi Aliyari Shoorehdeli and Abbas Haghparast},
journal= {arXiv preprint arXiv:2502.16544},
year = {2025}
}