Details

В данной работе рассматривается применение архитектуры BERT для анализа нейрональной активности при изучении болезни Альцгеймера. Вход­ные данные представлены в виде зависимости интенсивности флуоресценции кальциевого индикатора от времени. Обучение модели проводится в два этапа: предварительное обучение на задаче восстановления замаскированного сигнала последующая тонкая настройка на задаче бинарной классификации. Для различных этапов использовались разные наборы данных – MICrONS и ЛАБИД соответственно. Данные ЛАБИД прошли дополнительную предобработку, вклю­чающую преобразование видеозаписей в формат временных рядов. Реализован ансамбль, в котором разработанная модель выступает в роли агента, обеспечива­ющего анализ длинных записей. Проведен интерпретационный анализ поведения модели на основе карт внимания. Обоснована применимость предложенного подхода для выявления значимых участков сигнала, коррелирующих с патоло­гическим состоянием. Полученные результаты могут быть использованы для развития интерпретируемых методов анализа нейрофизиологических данных. Кроме того, модель может использоваться в качестве обучающего компонента тренера) при построении генеративных моделей, таких как вариационные авто­ энкодеры и генеративно-состязательные сети, с целью создания синтетических нейрофизиологических данных.

This work explores the application of the BERT architecture for analyzing neuronal activity in the context of Alzheimer’s disease research. The input data are represented as time-dependent fluorescence intensity signals from a calcium indicator. Model training is performed in two stages: pretraining on a masked signal reconstruction task, followed by fine-tuning for binary classification. Different datasets were used for each stage—MICrONS for pretraining and LABID for fine-tuning. The LABID data underwent additional preprocessing, including the conversion of video recordings into time series format. An ensemble approach was implemented, in which the developed model acts as an agent for analyzing long recordings. Interpretability analysis was conducted based on attention maps to examine model behavior. The proposed approach is shown to be effective in identifying signal regions that correlate with pathological states. The results can contribute to the development of interpretable methods for analyzing neurophysiological data. Additionally, the model can serve as a training component (a "teacher") in the construction of generative models, such as variational autoencoders or generative adversarial networks, for the purpose of generating synthetic neurophysiological data.

• Анализ активности нейронов гиппокампа мыши с помощью построения карты внимания нейронной сети архитектуры BERT
  • Список сокращений и условных обозначений
  • Введение
  • 1. Обзор литературы
  • 2. Материалы и методы
  • 3. Результаты и обсуждение
  • Заключение
  • Список использованных источников