DFINE用于人类iEEG活动的非线性建模

本文介绍了DFINE框架的扩展，用于对人类颅内脑电图（iEEG）记录进行建模。它解决了线性动力学模型在捕捉神经活动非线性结构方面的局限性，以及循环神经网络在处理缺失数据（脑机接口（BCI）中的常见问题）时的推理挑战。研究表明，DFINE在预测未来神经活动方面优于线性状态空间模型，并且与GRU模型的准确性相当或更高，同时也能更稳健地处理缺失的观测值。这项工作意义重大，因为它为建模iEEG动态提供了一个灵活而准确的框架，并具有在下一代BCI中的潜在应用。

• •DFINE是一个将神经网络与线性状态空间模型相结合的深度学习框架。
• •DFINE被扩展用于对多站点人类颅内脑电图（iEEG）记录进行建模。
• •DFINE在预测神经活动方面优于线性状态空间模型。
• •DFINE比基线模型更能稳健地处理缺失的观测值。
• •DFINE的优势在高伽马频谱带中更为明显。