neural-dynamics-decision-making

name	neural-dynamics-decision-making
description	Neural Dynamics Decision-Making Models

Neural Dynamics Decision-Making Models

Description

统一决策理论模型与神经活动建模的框架，包括经典漂移扩散模型（DDM）、多维累积器、可变边界等扩展。

Activation Keywords

• neural dynamics decision-making
• drift diffusion model
• evidence accumulation
• decision-making neural circuits
• accumulator model
• state-space decision model

Tools Used

• read - 读取神经数据文件
• exec - 运行 Python 分析脚本
• web_fetch - 获取论文详细内容

Instructions for Agents

1. 理解统一框架

决策理论模型与神经活动的统一：

• 经典漂移扩散模型 (DDM) - 单维度证据累积
• 多维累积器 - 多证据维度
• 可变边界 - 动态决策阈值
• 坍缩边界 - 紧急决策机制
• 离散跳跃 - 突发证据更新

2. 技术方法

循环状态空间模型 (RNN-SSM)

• 参数化约束实现不同决策模型
• 可扩展的变分拉普拉斯 EM 推断
• 支持 spike 数据直接拟合

3. 应用场景

1. 神经解码 - 从 spike 数据推断决策变量
2. 模型比较 - 比较不同决策模型拟合度
3. 神经元分类 - 识别累积器 vs 感觉神经元

4. 实现步骤

# 数据准备
# trials: N trials × T timebins × M neurons
# choices: N binary choices
# stimulus: N stimulus strengths

# 模型选择
config = {
    'model_type': 'multi_accumulator',  # or 'single_accumulator'
    'dimensions': 2,
    'boundary': 'collapsing'  # or 'fixed', 'variable'
}

# 推断与拟合：变分拉普拉斯 EM 算法
# E-step: 推断隐状态轨迹
# M-step: 更新模型参数
# 迭代至收敛

# 模型验证
# - AIC/BIC 比较不同模型
# - 后验预测检验
# - 参数恢复测试

Examples

Example 1: 分析顶叶皮层神经元的决策动力学

User: 帮我分析猴子顶叶皮层神经元在随机点运动任务中的决策动力学

Agent: 我将使用 neural-dynamics-decision-making 技能来分析。

首先，我需要了解数据格式：
- 试验数量、时间仓数、神经元数量
- 选择和刺激强度信息

根据 arXiv:2001.04571 的方法：
1. 使用多维累积器模型（2D 累积器更好地解释顶叶神经元）
2. 设置可变下边界（LIP 神经元显示动态决策阈值）
3. 应用变分拉普拉斯 EM 推断

预期发现：
- 双维累积器比单累积器更好地拟合顶叶神经元
- 某些 LIP 神经元显示可变下边界

Example 2: 模型比较与选择

User: 如何比较 DDM 和多维累积器模型哪个更适合我的数据？

Agent: 使用 AIC/BIC 信息准则进行比较：

1. 拟合单累积器模型，记录 AIC1, BIC1
2. 拟合双累积器模型，记录 AIC2, BIC2
3. 比较 ΔAIC = AIC2 - AIC1 和 ΔBIC = BIC2 - BIC1

决策规则：
- Δ < -2: 支持复杂模型（双累积器）
- Δ > 2: 支持简单模型（单累积器）
- -2 ≤ Δ ≤ 2: 无法区分

arXiv:2001.04571 的研究发现，顶叶皮层神经元需要双维累积器解释。

Source

• arXiv: 2001.04571
• 效用: 0.94
• 标题: Unifying and generalizing models of neural dynamics during decision-making

Key Findings

1. 双维累积器 - 顶叶皮层某些神经元需要 2D 累积器解释
2. 可变下边界 - LIP 神经元显示动态决策阈值
3. 模型统一 - DDM 是 RNN-SSM 的特例

Related Skills

• drift-diffusion-model - 经典 DDM
• recurrent-state-space-model - RNN 状态空间
• neural-decoding - 神经解码方法

References

• Zoltowski et al. (2020) - 原始论文
• Ratcliff & McKoon (2008) - DDM 综述
• Brunton et al. (2013) - 多维累积器