MARC

 008250123s2024        us                              c    eng  d
■001000017160126
■00520250211150914
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383565872
■035    ▼a(MiAaPQ)AAI30812400
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼ade  Oliveira  Fonseca,  Antonio  Henrique.
■24510▼aLearning  Brain  Dynamics  With  Neural  Operators
■260    ▼a[Sl]▼bYale  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a162  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  van  Dijk,  David;Cardin,  Jessica.
■5021  ▼aThesis  (Ph.D.)--Yale  University,  2024.
■520    ▼aUnderstanding  the  intricate  workings  of  the  brain  remains  one  of  science's  grand  challenges.  At  its  core,  the  brain  operates  as  a  dynamic  system,  with  neural  oscillations  and  coordinated  activity  patterns  enabling  integrated  cognition.  However,  modeling  these  complex  dynamics  computationally  has  proven  difficult.  Traditional  models  often  rely  on  restrictive  assumptions  about  brain  activity  properties,  limiting  their  utility.  This  thesis  introduces  innovative  machine  learning  frameworks,  utilizing  neural  operator  techniques  specifically  designed  for  neural  data,  to  model  brain  dynamics  more  effectively.Neural  operators  function  as  mappings  between  infinite-dimensional  spaces,  offering  a  flexible,  data-driven  approach  to  capture  the  complex  spatiotemporal  relationships  in  neural  dynamics.  This  work  presents  four  novel  machine  learning  frameworks.  The  Neural  Integro-Differential  Equations  (NIDEs)  integrate  instantaneous  and  temporal  components,  providing  enhanced  accuracy  for  complex  systems  like  the  brain.  Attentional  Neural  Integral  Equations  ((A)NIEs)  harness  self-attention  mechanisms  to  learn  and  compute  unknown  integral  operators  from  data.  The  Continuous  Spatiotemporal  Transformers  (CSTs)  leverage  a  new  Transformer  architecture  to  model  continuous  systems  directly  from  data,  overcoming  the  limitations  of  traditional  methods.  Brain  Language  Models  (BrainLMs)  utilize  extensive  fMRI  dataset  pretraining  and  finetuning,  offering  unmatched  versatility  in  modeling  brain  dynamics.Analyses  of  synthetic  and  real-world  data  validate  these  models'  superior  performance.  NIDEs  reveal  the  local  and  non-local  effects  of  substances  like  ketamine  on  fMRI  dynamics.  (A)NIEs  and  CSTs  demonstrate  superior  predictive  capabilities  in  modeling  fMRI  and  wide-field  recordings,  outperforming  existing  methods  for  learning  dynamics.  BrainLM  efficiently  identifies  intrinsic  functional  networks  and,  through  insilico  perturbation  analysis,  showcases  its  ability  to  differentiate  subject  states  using  accumulated  knowledge.Collectively,  these  advancements  not  only  broaden  the  horizons  of  modeling  diverse  neural  modalities  and  data  types  but  also  break  free  from  the  constraints  of  previous  methodologies.  The  frameworks  extend  their  utility  to  various  dynamic  modeling  domains,  enhancing  flexibility.  This  thesis  highlights  the  immense  potential  of  AI  in  offering  comprehensive  insights  and  unraveling  the  organizational  principles  of  complex  systems,  marking  a  significant  stride  in  technology-driven  neuroscience  research.
■590    ▼aSchool  code:  0265.
■650  4▼aNeurosciences
■650  4▼aComputer  science
■650  4▼aPhysiology
■650  4▼aMedical  imaging
■653    ▼aComputational  neuroscience
■653    ▼aData-driven  algorithms
■653    ▼aMachine  learning
■653    ▼aNeural  dynamics
■653    ▼aNeural  operators
■653    ▼aSpatiotemporal  modeling
■690    ▼a0317
■690    ▼a0984
■690    ▼a0719
■690    ▼a0574
■71020▼aYale  University▼bNeuroscience.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0265
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160126▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books