利用广义线性模型捕捉单神经元的动态行为库
神经元与认知
2017-07-11 v3
摘要
计算神经科学中的一个关键问题是找到简单、易处理的模型，这些模型仍足够灵活以捕捉真实神经元的响应特性。在此，我们考察了称为泊松广义线性模型（Poisson generalized linear models, GLMs）的递归点过程模型的能力。这些模型由一组线性滤波器、一个点非线性函数和条件泊松放电定义。它们具有适于拟合的良好统计性质，并已被广泛用于分析电生理记录中的脉冲序列。然而，GLMs 的动态行为库尚未与真实神经元进行系统比较。在此，我们展示 GLMs 能够复现一套全面的典型神经响应行为，包括紧张性放电和相位性放电、爆发式放电、放电率适应、I 型和 II 型兴奋，以及两种形式的双稳态。GLMs 还能捕捉依赖于刺激的脉冲时序精度和可靠性变化，模仿真实神经元中的观察结果，并且可以表现出不同程度的随机性，从几乎确定性的响应到大于泊松的变异性。这些结果表明，泊松 GLMs 能够展现真实神经元中发现的广泛动态放电行为，使其非常适合于单神经元和群体响应特性的定性动态以及定量统计研究。
引用
@article{arxiv.1602.07389,
title = {Capturing the dynamical repertoire of single neurons with generalized linear models},
author = {Alison I. Weber and Jonathan W. Pillow},
journal= {arXiv preprint arXiv:1602.07389},
year = {2017}
}