An LSTM-based adversarial variational autoencoder framework for self-supervised neural decoding of behavioral choices

.This paper presents data-driven solutions to address two challenges in the problem of linking neural data and behavior: (1) unsupervised analysis of behavioral data and automatic label generation from behavioral observations, and (2) extraction of subject-invariant features for the development of g...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Journal of neural engineering Ročník 21; číslo 3
Hlavní autoři:	Salsabilian, Shiva, Lee, Christian, Margolis, David, Najafizadeh, Laleh
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	England IOP Publishing 01.06.2024
Témata:	adversarial variational autoencoder Animals behavior Choice Behavior - physiology LSTM Mice Mice, Transgenic neural decoding Neural Networks, Computer self-supervised learning subject variability Supervised Machine Learning Unsupervised Machine Learning neural decoding self-supervised learning adversarial variational autoencoder LSTM behavior subject variability
ISSN:	1741-2560, 1741-2552, 1741-2552
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!