具有潜在结构的神经脉冲活动的贝叶斯双向聚类

现代神经记录技术使神经科学家能够在长时间内从大脑不同区域获取多个神经元的脉冲活动，这需要开发新的统计方法来理解大规模数据的结构。在本文中，我们开发了一种双向聚类方法，根据其低维潜在结构对神经脉冲活动进行空间和时间上的聚类。空间（神经元）聚类由各神经群体内的潜在轨迹定义，而时间（状态）聚类由不同周期共享的（群体性）同步局部线性动力学定义。为灵活提取双向聚类结构，我们以非参数方式构建模型，并开发了高效的马尔可夫链蒙特卡洛（MCMC）算法来采样模型参数的后验分布。通过模拟验证我们提出的 MCMC 算法，发现该方法能成功恢复未知参数与真实双向聚类结构。我们将所提双向聚类方法应用于不同实验设置下的多区域神经记录，发现同时考虑潜在轨迹与时空聚类结构可提供更准确且可解释的结果。总体而言，所提方法为具有长记录周期的大规模（计数）时间序列提供了科学见解，并可能具有神经科学之外的应用。