基于经验距离的神经元钙尖峰序列异质性

神经元尖峰序列之间的统计相似性可揭示复杂底层处理的重要信息。一般而言，同步尖峰序列间的相似性较易识别。然而，相似模式也可能以异步方式出现。现有识别方法往往收敛缓慢，且无法应用于短序列。对此，我们提出基于经验概率的 Hellinger 距离度量，其准确度与现有技术相当，但在合成及实验尖峰序列上收敛更快。进一步，我们依据统计相似性对神经元尖峰序列对进行聚类，发现两个不重叠的类别，这可能指示神经元的功能相似性。显著的是，我们的技术在具有相同性能的前提下检测了神经元响应对中的功能异质性，同时表现出更快的收敛。我们期望所提方法能促进功能聚类的大规模研究，尤其涉及短序列的情形，进而通过聚类模式识别各类疾病的特征。