欢迎本科生、硕士生和博士生加入本课题组，联系方式：syhuo@xjtu.edu.cn

研究方向：利用复杂网络的方法对大脑进行建模与分析。

脑网络动力学建模范式如下：   

代表性成果如下：

（1）揭示了脑网络中存在空间多尺度奇异态。首次揭示脑网络能够在不同空间尺度上产生奇异态，包括大脑全脑尺度和特定脑区尺度。通过采用神经集群模型，研究揭示了空间多尺度奇异态的形成与大脑网络的结构对称性密切相关，指出结构上对称的节点在动力学中更易形成同步集团。这一发现对于理解实验中观察到的多种大脑节律非常重要，并为理解复杂大脑网络如何支持多样化功能模式提供了新的视角。该成果已发表于National Science Review （IF=23.2，中科院一区Top）。此外，该成果被欧洲科学院院士团队在Physics Reports（IF=30.5）等顶级期刊上的文章所引用，并获得《EurekAlert!》报道。     

该工作具体内容详见：https://doi.org/10.1093/nsr/nwaa125

（2）揭示了脑网络本征模的凝聚是产生奇异态的微观机制。尽管脑网络能产生奇异态，但是背后的微观机制一直不清楚。我们发现功能性脑网络的所有特征模式都凝聚到结构性大脑网络的少数甚至单一特征模式中。这种凝聚仅出现在奇异态区域，且仅限于较低的特征模式。通过揭示功能性脑网络中特征模式的凝聚现象及其与奇异态的联系，我们提供了一种新的视角来理解大脑如何协调和控制其复杂的功能。这对于揭示大脑信息处理和记忆形成的机制具有重要的影响。此外，这些发现还可能为开发新型的神经疾病诊断和治疗策略提供理论依据。该成果已发表于Communications Physics 6 (2023): 285（IF=5.5，中科院一区Top），并被华东师范大学官网特别报道。

该工作具体内容详见：https://doi.org/10.1038/s42005-023-01405-8

（3）发现了自适应耦合能促进复杂系统中奇异态的形成。奇异态被视为大脑执行功能时的一种关键动力学状态，但神经元如何通过突触互动产生奇异态斑图一直是一个悬而未决的问题。我们运用数学模型和复杂网络理论，深入分析了大脑皮层网络的实际结构及其动态行为。研究揭示，当网络中连接的权重与节点动力学共同演化时，异质网络比同质网络更容易形成奇异态。这些发现对理解大脑功能的灵活性具有重要意义，并为设计更高效的人工神经网络算法提供了理论基础。该成果已发表于非线性领域著名Nonlinear Dynamics。 

该工作具体内容详见：https://doi.org/10.1007/s11071-019-04774-4