用于因果检测小鼠髓鞘波回放事件的状态空间框架
神经元与认知
2025-02-12 v2 应用统计
摘要
小鼠髓鞘波回放事件通常以两步过程识别：在每个时间点使用过去和未来数据来确定事件是否发生。这防止了在闭环实验中实时识别这些事件的可能性，也阻止了识别未伴随局部场电位（LFPs）谱内容大幅变化的非局部表示时段。在本工作中，我们提出了一种新型状态空间模型框架，能够在无细胞活动的 nonlocal activity 存在的情况下，检测 LFPs 节律结构的同步变化，以因果方式识别髓鞘波回放事件。该模型将与神经振荡、空间表示以及编码属性之间的切换相关的潜在因素结合起来，以解释来自多个单元的放电活动和来自多个来源的 LFPs 节律内容。该模型是时序因果的，即可以在仅使用尖肌和 LFP 信号的过去信息的基础上，对切换状态进行估计，亦可结合未来数据以细化这些估计。我们将该模型框架应用于模拟和真实小鼠髓鞘数据，展示了其在识别髓鞘波回放事件方面的性能。
引用
@article{arxiv.2502.05394,
title = {A state-space framework for causal detection of hippocampal ripple-replay events},
author = {Sirui Zeng and Uri T. Eden},
journal= {arXiv preprint arXiv:2502.05394},
year = {2025}
}