BREM-NET：多模态神经记录中的行为相关动态建模

BREM-NET 可融合多模态神经数据并分离行为相关动态。

资讯摘要

论文提出 BREM-NET，一种非线性多模态动态模型，在推理阶段融合行为与多种统计特性和时间分辨率不同的神经模态，并通过结构化学习框架分离行为相关动态与残余神经动态。作者在公开的非人灵长类多模态数据集（二维伸手任务中同步采集脉冲与局部场电位）上报告，该模型能更准确分离并学习两类动态，表现为行为解码更好、神经预测更好、潜在表征与行为对齐更强；在神经模态异步或缺失时仍保持这些能力。

要点速读

1. BREM-NET 在推理时融合行为与脉冲、LFP 等多种神经模态，并分离行为相关与残余神经动态。
2. 作者在公开非人灵长类同步脉冲与 LFP 的二维伸手任务数据上报告行为解码、神经预测和潜在对齐均更优。
3. 模型在神经模态异步或出现数据丢失时仍保持上述能力。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。