基于相关畸变的线性-非线性-泊松模型识别
神经元与认知
2016-09-08 v2 定量方法
摘要
线性-非线性-泊松（LNP）模型是描述单个感觉和运动神经元编码（刺激-响应）转换的流行且强大的工具。近年来，人们对神经脉冲序列的二阶和高阶相关结构及其与特定编码关系如何关联的兴趣日益增长。信号相关性在通过特定 LNP 模型转换时的畸变是可预测的，并且在某些情况下是解析可处理且可逆的。在此，我们提出 LNP 编码模型可能仅通过它们诱导的相关性变换来识别，并开发了一种计算方法，用于在白噪声和有色随机高斯激励下识别最小相位单神经元时间核。与逆相关或最大似然不同，基于相关畸变的识别不需要同时观察刺激-响应对——仅需要它们各自的二阶统计量。尽管原则上滤波器核不一定是最小相位的，并且只有其频谱幅度可以从输出相关性中唯一确定，但我们表明，在实践中，该方法为来自一系列神经系统的参数模型提供了极好的核估计。最后，我们讨论了这种方法如何可能使神经模型能够从更广泛的实验条件和系统中进行估计，以及其局限性。
引用
@article{arxiv.0905.1458,
title = {Correlation-distortion based identification of Linear-Nonlinear-Poisson models},
author = {Michael Krumin and Avner Shimron and Shy Shoham},
journal= {arXiv preprint arXiv:0905.1458},
year = {2016}
}