神经脉冲序列空间中欧氏汇总统计量的新框架

对脉冲序列的统计分析及推断是神经编码的核心课题之一。理解给定神经数据的底层结构具有极大意义。基于脉冲序列间的度量距离，近期研究引入了平均或原型脉冲序列的概念以刻画神经活动中的模板模式。然而，由于这些度量缺乏某些欧氏性质，所定义的平均非唯一，且不具备均值的常规性质。本文提出定义均值脉冲序列的新框架，采用源自 $L^p$ 族的类欧氏度量。我们证明该新均值脉冲序列以常规方式恰当表示平均模式，且可利用理论证收敛的过程有效计算。我们将此均值与其他脉冲序列平均进行比较，展示其优越性。此外，我们将新框架应用于啮齿类膝状神经节的记录中，其中背景放电活动是神经编码的常见问题。我们表明所提均值脉冲序列可用于去除背景噪声并提升解码性能。