神经放电活动中动态子群体的灵活贝叶斯聚类
神经元与认知
2023-03-03 v4 应用统计
摘要
随着神经记录技术的进步，神经科学家现在能够同时记录数百个神经元的放电活动，需要新的统计方法来理解这种大规模神经群体活动的结构。尽管先前的工作试图通过提取低维潜在因子来总结已知群体内和群体间的神经活动，但在许多情况下，什么决定了一个独特的群体可能并不清楚。神经元在其解剖位置上存在差异，也在细胞类型和响应特性上存在差异。为了识别与神经活动直接相关的群体，我们开发了一种基于动态泊松因子分析器混合（mixDPFA）模型的聚类方法，其中每个聚类的聚类数和潜在因子维数被视为未知参数。为了分析所提出的mixDPFA模型，我们提出了一种马尔可夫链蒙特卡洛（MCMC）算法来高效采样其后验分布。通过模拟验证我们提出的MCMC算法，我们发现它能准确恢复模型中未知参数和真实聚类，并且对初始聚类分配不敏感。然后我们将所提出的mixDPFA模型应用于多区域实验记录，发现所提方法能基于神经元活动识别新颖、可靠的神经元聚类，因此可能成为神经数据分析的有用工具。
引用
@article{arxiv.2205.10639,
title = {A Flexible Bayesian Clustering of Dynamic Subpopulations in Neural Spiking Activity},
author = {Ganchao Wei and Ian H. Stevenson and Xiaojing Wang},
journal= {arXiv preprint arXiv:2205.10639},
year = {2023}
}