从熵到脉冲序列的统计结构
神经元与认知
2008-03-27 v3 信息论
math.IT
概率论
应用统计
摘要
我们利用对脉冲序列数据熵率的统计估计，来推断脉冲序列本身的基础结构。我们首先考察了多种不同的参数和非参数估计器（包括已知和新提出的），如“代入”(plug-in) 法、几种基于 Lempel-Ziv 的压缩算法版本、针对更新过程定制的最大似然估计器，以及源自上下文树加权方法 (CTW) 的自然估计器。我们检验了这些估计器的理论性质，发展了若干新的理论结果，并将所有估计器系统地应用于不同类型的合成数据及不同条件下。我们的主要关注点是这些熵估计器在同时记录的一小时内来自猴子初级运动皮层和背侧前运动皮层的 28 个神经元的（二进制）脉冲序列上的表现。我们展示了如何利用熵估计来检验数据中长期结构的存在性，并构建了关于更新过程模型是否适用于这些脉冲序列的假设检验。此外，通过应用 CTW 算法，我们推导出了实证数据的最大后验 (MAP) 树模型，并评论了其揭示的基础结构。
引用
@article{arxiv.0710.4117,
title = {From the entropy to the statistical structure of spike trains},
author = {Yun Gao and Ioannis Kontoyiannis and Elie Bienenstock},
journal= {arXiv preprint arXiv:0710.4117},
year = {2008}
}