机构名称：
¥ 3.0
人类认知神经科学中一个有前途的想法是，默认模式网络 (DMN) 负责协调网络的招募和调度，以计算和解决特定任务的认知问题。有证据表明，DMN 区域的物理和功能距离与包含与感知和行动直接相关的环境驱动神经活动的感觉运动区域最大程度地相距，这将使 DMN 能够从层次结构的顶部协调复杂的认知。然而，发现大脑动力学的功能层次需要找到测量大脑区域之间相互作用的最佳方法。与以前使用例如传递熵来测量信息层次流的方法相比，我们在这里使用了受热力学启发、基于深度学习的时间演化网络 (TENET) 框架来评估人类大脑信号中事件流的不对称性，即“时间之箭”。这提供了一种量化层次结构的替代方法，因为时间之箭测量的是导致底层层次平衡被打破的信息流的方向性。反过来，时间之箭是不可逆性的量度，因此也是大脑动力学中的非平衡性量度。当应用于来自近一千名参与者的大规模人类连接组计划 (HCP) 神经影像数据时，TENET 框架表明 DMN 在协调层次结构（即不可逆性水平）方面发挥着重要作用，它在静息状态和执行七种不同的认知任务时会发生变化。此外，这种静息状态层次结构的量化在健康与神经精神疾病中存在显著差异。总体而言，本基于热力学的机器学习框架为协调复杂环境中认知与大脑之间的相互作用提供了重要的新见解，有助于了解大脑动力学的基本原理。
认知中的脑信号时间箭头
主要关键词
相关文件推荐
