本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
神經動力學計算建模的一個核心挑戰是準確性和簡單性之間的權衡。在單一神經元的層次上，非線性動力學既是透過實驗建立的，也是神經元功能所必需的。因此，人們可能會期望此類神經元的大規模網路的集體動力學表現出更大的非線性行為。因此形成了一個隱含的假設，即全腦動力學的「準確」計算模型必然是非線性的，而線性模型可以提供一階近似。然而，這個假設在多大程度上成立仍然是一個懸而未決的問題。在這裡，我們利用系統識別理論提供了新的證據，在全腦血氧水平依賴性（BOLD）和宏觀場勢動力學層面上挑戰了這個假設。我們利用功能性磁振造影 (fMRI) 和顱內腦電圖 (iEEG)，使用最先進的線性和非線性模型系列對人類連結組計畫 (HCP) 中的 700 名受試者和恢復主動記憶 (RAM) 計畫中的 122 名受試者的自發性靜息狀態活動進行建模。我們使用預測能力、計算複雜度以及模型無法解釋的剩餘動態範圍來評估相對模型擬合。與我們的預期相反，線性自回歸模型在所有三個指標上都實現了最佳測量。為了理解和解釋這種線性，我們強調宏觀神經動力學的四個屬性，它們可以抵消或掩蓋微觀非線性動力學：空間平均、時間平均、觀察雜訊和有限的資料樣本。後兩者是技術限制並且可以在未來改進，而前兩者是聚合的宏觀大腦活動所固有的。我們的結果證明了線性模型在準確捕捉宏觀大腦動態方面的潛力。這與線性模型無與倫比的可解釋性一起，可以極大地促進我們對宏觀神經動力學的理解，進而可以促進基於模型的干預措施的原則設計，用於治療神經精神疾病。