脑机接口 / BCI

Scientific Machine Learning of Chaotic Systems Learns Reduced-Order Equations for Neural Populations

混沌系统的科学机器学习发现神经群体的支配方程

Anthony G. Chesebro, David Hofmann, Vaibhav Dixit, Earl K. Miller, Richard H. Granger, Alan Edelman, Christopher V. Rackauckas, Lilianne R. Mujica-Parodi, Helmut H. Strey

机构 * Department of Biomedical Engineering and Laufer Center for Physical and Quantitative Biology, State University of New York at Stony Brook, NY, USA（生物医学工程系和物理与定量生物学拉夫中心，石溪大学纽约州立大学 Stony Brook 分校） ； Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School, MA, USA（Athinoula A. Martinos 生物医学成像中心，麻省总医院和哈佛医学院） ； Computer Science and Artificial Intelligence Lab, Massachusetts Institute of Technology, MA, USA（计算机科学与人工智能实验室，麻省理工学院） ； Picower Institute for Learning and Memory, Massachusetts Institute of Technology, MA, USA（记忆学习研究所，麻省理工学院） ； Psychological and Brain Sciences, Dartmouth College, NH, USA（心理学与脑科学系，达特茅斯学院） ； Santa Fe Institute, NM, USA（圣菲研究所） 纠错

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC、cs.LG

AI总结 该研究提出PEM-UDE方法，通过科学机器学习从混沌系统中发现可解释的支配方程，成功恢复噪声污染数据中的动态，并在神经群体中推导出符合生物约束的新方程。

Comments 54 pages, 10 figures

From Local Learning to Global Prediction Through Layered Surprise Cascades

通过分层惊喜级联从局部学习到全局预测

Andrew L. Smith, Linxing Preston Jiang, Jason K. Eshraghian, Matthew S. Bull, Stefano Recanatesi

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC

AI总结 该研究提出前向-前向算法的循环变体，从局部学习规则产生预测编码关键原则，为神经科学与机器学习搭建新桥梁。

Toward a Dynamical Taxonomy of Insomnia: A Multiaxial Framework for Sleep-State Transitions and Architectural Failure

迈向失眠的动态分类学：睡眠状态转换与结构异常的多轴框架

Alexander Poltorak

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC

AI总结 本研究提出多轴动态框架，以失效的动态运作等为候选特征，用于失眠的分类，其可改善交流、分层与预测，框架为现象学组织模型而非新诊断系统。

Comments 28 pages, 3 figures

Explanations of Large Language Models Explain Language Representations in the Brain

大语言模型的解释可解释大脑中的语言表征

Maryam Rahimi, Mohammad Reza Daliri, Yadollah Yaghoobzadeh

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC

AI总结 该研究探究LLM与脑语言表征对齐的驱动因素，利用XAI的归因方法结合fMRI数据，发现梯度归因可稳健对齐脑活动，且不同层归因的特性与脑区域对齐模式存在差异。