非平稳神经时间序列的高效转移熵分析

信息论允许我们从信息传递、存储和修改的角度研究神经系统中的信息处理。尤其是作为信息传递度量的转移熵，在神经科学中引起了极大的关注。从两个过程估计转移熵需要观测这两个过程的多次实现，以估计相关的概率密度函数。为了获得这些观测，现有的估计器假设过程是平稳的，以便允许随时间汇集观测结果。然而，这一假设是这些估计器在神经科学中应用的主要障碍，因为观测到的过程通常是非平稳的。作为解决方案，Gomez-Herrero 及其同事从理论上表明，可以通过从实现集合中估计转移熵来避免平稳性假设。这种集合在神经科学实验中通常以实验试次的形式 readily available。因此，在这项工作中，我们将集合方法与最近提出的转移熵估计器相结合，使转移熵估计适用于非平稳时间序列。我们提出了一种高效的实现方法，以应对集合方法实际应用中增加的计算需求。具体而言，我们使用针对图形处理单元的大规模并行实现，来处理集合方法中计算量最大的部分。我们在模拟随机过程的数据上测试了实现的性能和鲁棒性，并展示了该方法在脑磁图数据上的适用性。虽然我们主要针对神经科学数据评估所提出的方法，但我们期望它适用于涉及分析复杂生物、社会和人工系统中信息传递的众多领域。