揭示空间导航期间大鼠海马群体编码的非参数贝叶斯方法
机器学习
2014-12-01 v1 神经元与认知
摘要
啮齿动物海马群体编码在导航过程中表征了关于环境的重要空间信息。几种计算方法已被开发用于揭示嵌入在大鼠海马集成尖峰活动中的空间拓扑神经表征。在此，我们扩展了先前的工作，提出了一种非参数贝叶斯方法来推断空间导航期间的大鼠海马群体编码。为解决模型选择问题，我们利用了一种非参数贝叶斯模型。具体而言，为了分析大鼠海马集成尖峰活动，我们应用了分层狄利克雷过程隐马尔可夫模型（HDP-HMM），并使用了两种贝叶斯推断方法：一种基于马尔可夫链蒙特卡洛（MCMC），另一种基于变分贝叶斯（VB）。我们在自由行为大鼠在开放场环境中导航的记录数据上展示了我们贝叶斯方法的有效性。我们发现，带有哈密顿蒙特卡洛（HMC）超参数采样的基于 MCMC 的推断灵活且高效，其表现优于使用经验贝叶斯设定超参数的 VB 和 MCMC 方法。
引用
@article{arxiv.1411.7706,
title = {A Nonparametric Bayesian Approach to Uncovering Rat Hippocampal Population Codes During Spatial Navigation},
author = {Scott W. Linderman and Matthew J. Johnson and Matthew A. Wilson and Zhe Chen},
journal= {arXiv preprint arXiv:1411.7706},
year = {2014}
}