一种用于单神经元 Hodgkin-Huxley 型模型参数估计的自组织状态空间模型方法
定量方法
2012-03-05 v2 神经元与认知
摘要
传统上，生物物理神经元和神经网络模型中的参数估计通常采用全局搜索算法，并常结合局部搜索方法，以最小化衡量可用实验数据与模型输出之间各种特征差异的代价函数值。在本研究中，我们从不同的视角处理基于电导的单神经元模型中的参数估计问题。通过采用隐动力系统形式化，我们将参数估计表述为这些系统中的推断问题，然后可以使用成熟的统计推断方法来解决。我们使用的特定方法是 Kitagawa 的自组织状态空间模型，并将其应用于多个 Hodgkin-Huxley 模型，使用模拟或真实的电生理数据。我们证明，该算法可用于估计大量参数，包括最大电导、反转电位、离子电流动力学和测量噪声，基于低维实验数据和以模型参数预定义约束形式提供的足够信息丰富的先验。即使使用噪声很大的实验数据，该算法仍能保持运行。重要的是，通过将自组织状态空间模型与类似于协方差矩阵自适应进化策略的自适应采样算法相结合，我们显著降低了参数估计的方差。该算法不需要显式地构建代价函数，并且易于应用于房室模型和多个数据集。总体而言，所提出的方法特别适合解决基于噪声电生理数据的高维推断问题，因此是构建生物物理神经元模型的一个潜在有用工具。
引用
@article{arxiv.1106.4317,
title = {A self-organizing state-space-model approach for parameter estimation in Hodgkin-Huxley-type models of single neurons},
author = {Dimitrios V. Vavoulis and Volko A. Straub and John A. D. Aston and Jianfeng Feng},
journal= {arXiv preprint arXiv:1106.4317},
year = {2012}
}