微分协方差：一类从神经记录估计稀疏连接性的新方法
神经元与认知
2017-06-09 v1
摘要
随着我们能够同时记录更多神经元，理解这些数据成为一项挑战。功能连接是研究多个神经信号之间关系的一种常用方法。基于相关性的方法是当前广泛使用的功能连接估计技术。然而，由于解释消除效应和未观测到的共同输入，它们会产生虚假连接。将脉冲序列建模为泊松过程的广义线性模型避免了这些混淆。本文通过使用基于模拟细胞内电压记录的微分信号，开发了一类新方法。该方法等价于一个正则化的 AR(2) 模型。我们还将该方法扩展到模拟局部场电位记录和钙成像。在我们所有的模拟数据中，基于微分协方差的方法取得了与广义线性模型方法相当或更好的性能，且所需的数据样本更少。这类新方法为分析神经信号提供了替代途径。
引用
@article{arxiv.1706.02451,
title = {Differential Covariance: A New Class of Methods to Estimate Sparse Connectivity from Neural Recordings},
author = {Tiger W. Lin and Anup Das and Giri P. Krishnan and Maxim Bazhenov and Terrence J. Sejnowski},
journal= {arXiv preprint arXiv:1706.02451},
year = {2017}
}