53、神经网络动力学与目标固定模型研究

神经网络动力学与目标固定模型研究

1. 皮层网络动力学特性

为了将理论观察与实证数据联系起来，研究人员分析了猕猴视觉皮层和猫皮层连接矩阵的复杂性。他们假设线性动力学、连接强度相等，并使用相关方程推导出与各自连接矩阵对应的协方差矩阵。结果发现，与具有相同节点数（N）和连接数（K）的随机网络相比，这两种连接矩阵都产生了具有高神经复杂性C(X)的有效连接，这些矩阵似乎接近产生高度复杂动力学的最优状态。几乎在所有情况下，随机重新连接边都会导致相应有效连接复杂性的降低。

为了确定导致这些复杂动力学的解剖区域集，研究人员对猕猴视觉皮层连接矩阵进行了动态聚类分析。该分析揭示了一种层次结构，分为对应于“背侧”和“腹侧”视觉处理流的两个不同流，以及一小部分与两个流都有强烈交互的区域，这些区域可能在流间交互中起介导作用。总体而言，这种动态分析与其他结构聚类分析高度一致。

动态聚类分析的另一个应用是比较正常人和精神分裂症患者在执行一组认知任务时的PET数据。该研究发现，尽管两组的总体活动水平没有差异，但聚类特征存在显著差异。未来使用具有更高时间分辨率的成像方法（如脑磁图）进行的分析可能会有更多发现。

2. 匹配复杂性和退化性

熵、整合和神经复杂性可以衡量神经系统的内在动力学，而“匹配复杂性”和“退化性”则分别用于表征与输入或输出相连的系统与周围环境相互作用时的动力学。

系统X与输入S之间的匹配复杂性定义为：
[M(X; S) = C(X)_T - C(X)_I - C(X)_S]
其中，(C(X)_T)是输入存在时的总复杂性，(C(X)_I)是内在复杂性，(C(X)_S)是直接归因于输入S的复杂性。高匹配复杂性表明系统