从神经元放电到雪崩——时间分箱的影响与规避
统计力学
2021-09-23 v1 神经元与认知
摘要
带迁入的branching过程是神经回路中观测到的随机过程最常见的模型之一。然而它并非被直接观测到，为了构建类branching过程，需对观测到的放电时间序列附加时间箱进行处理。已有研究表明，临界性和尺寸分布等结果依赖于所选择的时间箱。因此，一种结果不依赖于时间箱选择的方法或许有用，本文即提出此方法。新方法论通过以连续时间模型替代先前使用的离散时间模型，完全规避了时间箱的使用。首先，本文引入并刻画了带迁入branching过程的连续时间版本，称之为pumped branching process；其次，给出了相应放电统计的解析推导，可直接与观测放电时间序列比较。所提方法可在不使用时间箱的情况下确定临界程度、重叠雪崩的平均数量及其他可观测量。此外，分析了使用时间箱所造成的影响，并讨论了时间和空间下采样的影响，所有内容均与实验数据比较并得到Monte Carlo模拟的支持。
引用
@article{arxiv.2109.10292,
title = {From Neuronal Spikes to Avalanches -- Effects and Circumvention of Time Binning},
author = {Johannes Pausch},
journal= {arXiv preprint arXiv:2109.10292},
year = {2021}
}