Benchmarking Probabilistic Time Series Forecasting Models on Neural Activity
作者: Ziyu Lu, Anna J. Li, Alexander E. Ladd, Pascha Matveev, Aditya Deole, Eric Shea-Brown, J. Nathan Kutz, Nicholas A. Steinmetz
分类: cs.LG, q-bio.NC, stat.ML
发布日期: 2025-10-20 (更新: 2025-10-22)
备注: Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Data on the Brain & Mind
💡 一句话要点
评估概率时间序列预测模型在神经活动预测中的性能，为闭环控制提供基础。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 神经活动预测 时间序列预测 深度学习 概率模型 宽场成像
📋 核心要点
- 神经活动预测是理解神经系统和实现闭环控制的关键，但现有方法在预测精度和预测范围上存在局限性。
- 该论文系统评估了八种概率深度学习模型在神经活动预测中的性能，旨在找到更有效的预测模型。
- 实验结果表明，几种深度学习模型在预测神经活动方面优于传统统计方法，最佳模型可预测1.5秒后的活动。
📝 摘要（中文）
神经活动预测对于理解神经系统和实现闭环控制至关重要。虽然深度学习最近在时间序列预测领域取得了显著进展，但其在神经活动预测中的应用仍然有限。为了弥合这一差距，我们系统地评估了八种概率深度学习模型，包括两种基础模型，这些模型在通用预测基准上表现出强大的性能。我们将它们与四种经典统计模型和两种基线方法在从小鼠皮层通过宽场成像记录的自发神经活动上进行了比较。在不同的预测范围内，几种深度学习模型始终优于经典方法，其中最佳模型能够产生长达1.5秒的有效预测。我们的研究结果指向未来的控制应用，并为探索神经活动内在的时间结构开辟了新的途径。
🔬 方法详解
问题定义：神经活动预测旨在根据历史神经活动数据预测未来的神经活动状态。现有方法，特别是传统统计模型，在捕捉神经活动复杂的时间依赖性和非线性特征方面存在不足，导致预测精度和预测范围受限。深度学习模型虽然在其他时间序列预测任务中表现出色，但在神经活动预测中的应用仍需系统评估。
核心思路：该论文的核心思路是利用概率深度学习模型来捕捉神经活动的不确定性，并提高预测精度和预测范围。通过系统地评估多种深度学习模型在神经活动预测任务中的性能，找到最适合的模型，并为未来的神经系统控制应用提供基础。
技术框架：该研究的技术框架包括以下几个主要步骤：1）收集小鼠皮层的神经活动数据；2）选择八种具有代表性的概率深度学习模型，包括两种基础模型；3）将这些模型与四种经典统计模型和两种基线方法进行比较；4）使用不同的预测范围评估模型的性能；5）分析实验结果，确定最佳模型，并探讨其在神经系统控制中的潜在应用。
关键创新：该论文的关键创新在于系统地评估了多种概率深度学习模型在神经活动预测中的性能，并证明了深度学习模型在神经活动预测方面优于传统统计方法。此外，该研究还探索了深度学习模型在预测神经活动内在时间结构方面的潜力。
关键设计：该研究的关键设计包括：1）选择具有代表性的概率深度学习模型，如Transformer和RNN变体；2）使用宽场成像技术获取高分辨率的神经活动数据；3）采用合适的评估指标，如预测精度和预测范围，来衡量模型的性能；4）对实验结果进行统计分析，以确定模型的显著性差异。
🖼️ 关键图片
📊 实验亮点
实验结果表明，几种深度学习模型在预测神经活动方面显著优于传统统计方法。最佳模型能够产生长达1.5秒的有效预测，这为未来的神经系统控制应用提供了可能性。此外，该研究还发现，不同的深度学习模型在不同的预测范围内表现出不同的性能，这表明需要根据具体的应用场景选择合适的模型。
🎯 应用场景
该研究的潜在应用领域包括：1）神经系统疾病的诊断和治疗，例如通过预测癫痫发作来提前预警；2）脑机接口的设计，例如通过预测用户的意图来控制外部设备；3）神经康复，例如通过预测患者的运动轨迹来辅助康复训练；4）理解神经系统的内在时间结构，为神经科学研究提供新的思路。
📄 摘要（原文）
Neural activity forecasting is central to understanding neural systems and enabling closed-loop control. While deep learning has recently advanced the state-of-the-art in the time series forecasting literature, its application to neural activity forecasting remains limited. To bridge this gap, we systematically evaluated eight probabilistic deep learning models, including two foundation models, that have demonstrated strong performance on general forecasting benchmarks. We compared them against four classical statistical models and two baseline methods on spontaneous neural activity recorded from mouse cortex via widefield imaging. Across prediction horizons, several deep learning models consistently outperformed classical approaches, with the best model producing informative forecasts up to 1.5 seconds into the future. Our findings point toward future control applications and open new avenues for probing the intrinsic temporal structure of neural activity.