MARC

 008250123s2024        us                              c    eng  d
■001000017161228
■00520250211151327
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384452201
■035    ▼a(MiAaPQ)AAI31240290
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574.191
■1001  ▼aKumar,  Ankit.
■24510▼aNormative  Approaches  to  the  Analysis  of  Neural  Dynamics  and  Connectivity
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a130  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Bouchard,  Kristofer  E.;DeWeese,  Michael.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aBrain  functions,  ranging  from  perception  to  cognition  to  action  are  produced  by  the  collective  dynamics  of  populations  of  neurons.  Our  ability  to  simultaneously  record  from  and  map  the  connectivity  between  large  numbers  of  neurons  across  brain  areas  has  increased  substantially  over  the  past  decade.  In  contrast,  our  understanding  of  the  resulting  complex  and  dynamic  data  in  terms  of  principles  of  brain  computations  is  lacking.  This  thesis  presents  theory  and  statistical  methods  that  address  this  gap.  I  first  describe  a  novel,  normative  theory  of  neural  population  dynamics  based  on  control  theory.  I  introduce  novel  dimensionality  reduction  methods  that  identify  subspaces  of  neural  activity  that  are  most  amenable  to  feed-forward  (i.e.  open-loop)  control  vs.  feedback  control  (i.e.  closed-loop)  control.  Through  new  theorems/simulations,  I  demonstrate  that  for  systems  exhibiting  non-normal  dynamics,  generically  present  in  cortex  due  to  Dale's  Law,  directions  most  important  for  feedforward  vs.  feedback  control  are  geometrically  distinct.  I  then  analyze  neural  recordings  from  macaque  primary  motor  and  somatosensory  cortices  and  show  that  the  dynamics  that  are  most  feedback  controllable  are  aligned  with  those  that  generate  reaching  behavior.  These  feedback  controllable  dynamics  are  shown  to  be  mediated  by  the  functional  interactions  between  a  population  of  neurons  whose  characteristics  map  to  known  features  of  Layer  5  intrauterine  cephalic  neurons.  Lastly,  I  show  that  feedback  controllability  provides  a  normative  account  for  the  presence  of  rotational  dynamics  in  motor  cortex.  Next,  I  present  an  approach  an  analysis  of  the  Drosophila  hemibrain  connectome  using  novel  maximum  entropy  models  of  random  graphs  inspired  from  statistical  physics.  I  provide  preliminary  results  indicating  that  the  controllability  of  Drosophila  brain  networks  relies  on  emergent  principles  of  connectivity  between  neurons.  Finally,  I  report  on  work  that  characterizes  the  performance  of  statistical  estimation  of  sparse  linear  models  in  the  case  when  model  features  exhibited  correlated  variability,  a  common  issue  in  neural  data  analysis.  The  results  provide  practical  guidelines  relevant  for  the  estimation  of  functional  connectivity.
■590    ▼aSchool  code:  0028.
■650  4▼aBiophysics
■650  4▼aNeurosciences
■650  4▼aPhysics
■653    ▼aComputational  neuroscience
■653    ▼aConnectomics
■653    ▼aControl  theory
■653    ▼aMotor  cortex
■653    ▼aSparse  regression
■690    ▼a0786
■690    ▼a0317
■690    ▼a0605
■71020▼aUniversity  of  California,  Berkeley▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161228▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books