HS
Hui Song
Author with expertise in Neuronal Oscillations in Cortical Networks
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
7
(43% Open Access)
Cited by:
739
h-index:
15
/
i10-index:
18
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Training Excitatory-Inhibitory Recurrent Neural Networks for Cognitive Tasks: A Simple and Flexible Framework

Hui Song et al.Feb 29, 2016
The ability to simultaneously record from large numbers of neurons in behaving animals has ushered in a new era for the study of the neural circuit mechanisms underlying cognitive functions. One promising approach to uncovering the dynamical and computational principles governing population responses is to analyze model recurrent neural networks (RNNs) that have been optimized to perform the same tasks as behaving animals. Because the optimization of network parameters specifies the desired output but not the manner in which to achieve this output, “trained” networks serve as a source of mechanistic hypotheses and a testing ground for data analyses that link neural computation to behavior. Complete access to the activity and connectivity of the circuit, and the ability to manipulate them arbitrarily, make trained networks a convenient proxy for biological circuits and a valuable platform for theoretical investigation. However, existing RNNs lack basic biological features such as the distinction between excitatory and inhibitory units (Dale’s principle), which are essential if RNNs are to provide insights into the operation of biological circuits. Moreover, trained networks can achieve the same behavioral performance but differ substantially in their structure and dynamics, highlighting the need for a simple and flexible framework for the exploratory training of RNNs. Here, we describe a framework for gradient descent-based training of excitatory-inhibitory RNNs that can incorporate a variety of biological knowledge. We provide an implementation based on the machine learning library Theano, whose automatic differentiation capabilities facilitate modifications and extensions. We validate this framework by applying it to well-known experimental paradigms such as perceptual decision-making, context-dependent integration, multisensory integration, parametric working memory, and motor sequence generation. Our results demonstrate the wide range of neural activity patterns and behavior that can be modeled, and suggest a unified setting in which diverse cognitive computations and mechanisms can be studied.
0
Citation267
0
Save
0

Effects of Early Cardiac Rehabilitation Training on Cardiac Function and Quality of Life in Elderly Patients Undergoing Coronary Artery Bypass Grafting: A Retrospective Study

Linzhong Zhang et al.Jul 8, 2024
Objective: This study aimed to explore the effect of early cardiac recovery training on the cardiac function and life quality of elderly patients undergoing coronary artery bypass grafting (CABG). Methods: Elderly patients who underwent CABG in our hospital from January 2022 to November 2023 were selected as the subjects, and their clinical data were retrospectively analyzed. In accordance with the different rehabilitation intervention methods of the patients, they were separated into control group (C group) and research group (R group). The C group received conventional rehabilitation intervention, and the R Group received early cardiac recovery training intervention. The cardiac function indices and quality of life of the two groups were compared at baseline (T1) at admission, 1 day before surgery (T2), 7 days after surgery (T3), and 30 days after surgery (T4). Results: At T2 and T4, the left ventricular ejection fraction (LVEF) levels and 6-min walking test (6-MWT) of the C and R groups were sharply higher than those at T1 (p < 0.05). At T3, the LVEF levels and 6-MWT distance of both groups were sharply lower than those at T1 (p < 0.05). Compared with the levels at T3, the LVEF levels; the 6-MWT; and the global, physical, emotional, and social levels of the C and R groups at T2 and T4 significantly increased (p < 0.05). At T1, the LVEF level; the 6-MWT; and the global, physical, emotional, and social levels of the C group was not statistically significant compared with those of the R group (p > 0.05). At T2, T3, and T4, the LVEF levels; the 6-MWT; and the global, physical, emotional, and social levels of the R group were sharply higher than those of the C group (p < 0.05). Conclusion: Early cardiac recovery training can effectively ameliorate the cardiac function and improve the quality of life of elderly patients undergoing CABG.
0

Transformer Condition Assessment Method Based on Graph Convolutional Network

Ben Zhang et al.Apr 11, 2024
The assessment of power transformers' condition is crucial for the safe and stable operation of the power grid. This paper proposes a method for assessing the condition based on the graph convolutional network and transformer state panoramic information. The aim is to address the limitations of traditional equipment condition assessment models based on deep learning. Comprehensive state assessment models often fail to consider the correlation between state quantities, while models that do consider this correlation struggle to effectively incorporate unstructured descriptive data. The method enables an intelligent and differential evaluation of the transformer's operating status by using technical performance parameters, operating performance data, and external environment data in the equipment operation and maintenance knowledge graph. Unstructured information is effectively utilized through embedded coding. The correlation between state data is considered through the application of an adjacency matrix, allowing for explicit modeling of correlations in deep learning. This approach enhances feature interaction and information supplementation among state data, resulting in objective, accurate, and interpretable state evaluation results. Experimental results demonstrate a significant improvement in accuracy, ranging from 2.38% to 7.16%, when compared to the baseline models.