刺激束暴露下神经放电二阶随机性的统计分析

神经科学数据的常规分析涉及在一组试次和/或一段时间内计算平均神经活动。当评估神经元对同时呈现的多个刺激的反应模式时，这种方法可能尤其成问题。在此类情况下，大脑必须表征刺激束的各个组成成分，但试次与时间池化平均方法从根本上无法处理多项目表征的发生方式。我们引入并研究了一种新颖的统计分析框架，该框架将暴露于刺激束的单个细胞的放电模式与其在各组成刺激下的放电模式集合相关联。现有统计工具关注试次间变异中可称为“一阶随机性”的部分，其表现为围绕与给定刺激相关的固定放电率曲线的无结构噪声。我们的分析基于如下理论前提：暴露于刺激束会在细胞的反应模式中诱发额外的随机性，其形式为对其单刺激放电率曲线的随机变化重组。我们讨论了对此类“二阶随机性”进行统计估计所面临的挑战，并通过一种新颖的动态混合泊松过程（DAPP）模型加以解决。DAPP 是一种层次化点过程模型，将二阶随机性分解为高斯随机过程与可解释特征的随机向量，并通过潜在聚类促进在重复试次间对后者信息的借用。我们利用合成与真实神经记录数据给出了 DAPP 分析效用的经验证据。