基于带潜隐振荡高斯随机场的泊松点过程模型对网格细胞放电模式的贝叶斯推断
统计方法学
2023-03-31 v1 应用统计
摘要
关于大脑所编码信息的问题需要统计框架来推断神经放电与世界特征之间的关系。网格细胞的里程碑式发现表明，神经元可通过规则重复的放电野来表示空间信息。然而，在当前的网格细胞活动统计模型中，协变量的影响可能被掩盖，这些模型采用离散化、聚合和平滑等方法，计算效率低且未考虑物理世界的连续性。这些局限促使我们开发基于似然的方法来建模和估计网格细胞在生物相关协变量条件下的放电活动。我们的方法使用带潜高斯效应的泊松点过程对放电活动建模，其可容纳持续的非均匀空间-方向模式与过离散。推断以完全贝叶斯方式进行，使我们能够量化不确定性。将这些方法应用于实验数据，我们提供了网格放电受时间和局部头方向效应影响的证据。我们的方法为空间神经表征分析提供了一个新颖且基于原理的框架。
引用
@article{arxiv.2303.17217,
title = {Bayesian inference of grid cell firing patterns using Poisson point process models with latent oscillatory Gaussian random fields},
author = {Ioannis Papastathopoulos and Graeme Auld and Finn Lindgren and Klára Zsófia Gerlei and Matthew F. Nolan},
journal= {arXiv preprint arXiv:2303.17217},
year = {2023}
}
备注
44 pages, 16 figures