用于联合尖峰与波形解码的计算高效模型选择
应用统计
2018-08-07 v1
摘要
近来一种从神经元群体解码行为变量或刺激的方法依赖于电极尖峰序列及其波形的联合模型，原则上这比仅从电极尖峰序列或从已分选神经元尖峰序列解码更高效。在本文中，我们解码一只恒河猴手臂伸展的速度，表明在联合解码模型中不加区分地纳入波形特征，可能引入比关于运动学的有用信息更多的噪声与偏差，从而 degrade 解码性能。我们还表明，选择哪些波形特征进入模型以降低预测风险可大幅提升解码性能。对于此处分析的数据，对低风险电极尖峰与波形联合模型进行逐步搜索，得到了一个低风险贝叶斯模型，其效率比仅基于电极尖峰序列的相应风险最小化贝叶斯模型高30%。该联合模型的效率也与仅基于已分选神经元尖峰序列和哈希的风险最小化模型相当，证实了先前结果：在解码应用中可以省去有问题的尖峰分选步骤。得益于一个捷径公式，我们得以在庞大模型空间中搜索低风险联合模型，该公式加速了基于高斯线性观测方程的模型逐步搜索中的大型矩阵求逆。
引用
@article{arxiv.1808.01693,
title = {Computationally efficient model selection for joint spikes and waveforms decoding},
author = {Francesca Matano and Valérie Ventura},
journal= {arXiv preprint arXiv:1808.01693},
year = {2018}
}