استنتاج پارامتر­های مدل­های جمعیت نورونی از داده­های الکتروفیزیولوژی با استفاده از روش یادگیری عمیق

این مطالعه به استنتاج پارامترهای ناشناخته در مدل‌های دینامیک مغز در مقیاس بزرگ می‌پردازد. این استنتاج با استفاده از رویکرد مبتنی بر شبیه سازی و چگالی طیفی توان انجام می شود. به جای کار با سری های زمانی خام، از چگالی طیفی توان استفاده می شود که نسبت به نویز حساسیت کمتری دارد و سریعتر است. این روش را می توان برای مدل های ریاضی با ابعاد بالا (کمتر از 30 پارامتر) بدون حساسیت اعمال کرد. در نهایت، هدف این مطالعه استفاده از این رویکرد بر روی مدل توده عصبی پرکاربرد (مدل رابینسون) برای تناسب با طیف توان داده‌های eeg است. این رویکرد می تواند در استنتاج تغییرات پارامترهای مدل از حالت طبیعی مغز به حالت های دیگر مانند بیهوشی یا آسیب شناسی مغز استفاده شود. تغییرات در فرکانس های خاص eeg به عنوان ویژگی های داده برای تخمین سریع کمیت های ناشناخته استفاده می شود.

inference of parameters of neuronal population models from electrophysiological data using deep learning

this study deals with inferring unknown parameters in large-scale brain dynamic models. this inference is done using a simulation-based approach and spectral power density. instead of working with raw time series, spectral power density is utilized, which is less sensitive to noise and is faster. this method can be applied to mathematical models with high dimensions (less than 30 parameters) without sensitivity. ultimately, the goal of this study is to apply this approach on the widely used neural mass model (the robinson model) to fit the power spectrum of eeg data. this approach can be used in deducing the changes of the model parameters from the normal state of the brain to other states such as anesthesia or brain pathology. changes in specific eeg frequencies are used as data features for estimating unknown quantities rapidly.