MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016933178
■00520240214101213
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380387972
■035    ▼a(MiAaPQ)AAI30525753
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aZhou,  Dale.
■24510▼aEfficient  and  Predictive  Coding  From  Compression  and  Control  by  Human  Brain  Networks▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Pennsylvania.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(202  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Bassett,  Dani  S.;Satterthwaite,  Theodore  D.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aMost  theories  of  brain  function  depend  on  information  processing  and  the  manipulation  of  neural  or  cognitive  representations.  This  information  processing  is  thought  to  be  efficient  and  manipulations  are  thought  to  update  representations  that  are  predictive  of  future  needs.  These  ideas  are  formulated  by  theories  of  efficient  coding  and  predictive  coding.  Efficient  coding  is  transmitting  maximal  information  while  minimizing  the  use  of  limited  resources.  Predictive  coding  is  transmitting  maximal  information  about  the  future  while  minimizing  the  use  of  limited  resources.  Although  these  parsimonious  theories  have  accumulated  evidence  at  the  cellular  level  and  in  sensory  regions,  different  models  and  data  are  needed  to  test  the  theories  at  the  macroscale  and  across  the  brain  network.  This  dissertation  investigates  how  we  can  generalize  efficient  and  predictive  coding  to  the  brain  network  by  drawing  from  network  science,  information  theory,  and  control  theory.  Using  these  frameworks,  we  operationalize  compression  and  control  as  two  key  processes  underlying  efficient  and  predictive  coding.  Data  compression  distills  predictive  from  unpredictive  information  using  limited  metabolic  resources.  Optimal  control  governs  how  the  brain  network  should  distribute  the  control  signals  needed  to  transition  to  diverse  future  states  according  to  feedback  from  structured  representations  of  the  world.  We  test  the  compression  and  control  models  with  hypothesized  features  of  an  efficient  and  predictive  code.  We  find  relationships  between  our  models  and  the  dimensionality  and  timescales  of  brain  activity,  metabolic  resource  expenditure,  myelin  content,  areal  expansion,  functional  specialization,  and  behavioral  speed  and  accuracy.  These  findings  support  the  efficient  and  predictive  coding  hypotheses  across  the  brain  and  open  new  avenues  to  investigate  brain  function  and  mental  health.
■590    ▼aSchool  code:  0175.
■650  4▼aNeurosciences.
■650  4▼aBioengineering.
■653    ▼aPredictive  coding
■653    ▼aBrain  network
■653    ▼aBrain  function
■653    ▼aEfficient  coding
■690    ▼a0317
■690    ▼a0202
■71020▼aUniversity  of  Pennsylvania▼bNeuroscience.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933178▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books