神经元钙尖峰序列中的信息内容：基于经验概率的熵率估计
信号处理
2021-02-02 v1
摘要
量化神经元内钙尖峰序列中的信息内容及其时间变化，有助于理解记忆、学习和认知等功能。此类量化也可揭示可能导致包括帕金森病、阿尔茨海默病和亨廷顿病等毁灭性神经退行性疾病的病理性信号扰动。因此，作为信息内容的信息论度量的熵率估计具有首要意义。然而，在当前的背景下此类估计具有挑战性，因为尽管熵率传统上是在平稳性假设下针对长块渐近定义的，但已知神经元在短时间间隔内编码信息，且相关的尖峰序列常表现出非平稳性。在此背景下，我们提出了一种基于经验概率的熵率估计器，它在窗口内操作，窗口短到足以保证近似平稳性。具体而言，我们的估计器由编码上下文的长度参数化，试图建模神经元尖峰序列中的底层记忆结构。在一个示例马尔可夫过程中，我们将所提方法的性能与若干 Lempel-Ziv 算法版本以及某种平稳分布方法进行比较，发现前者具有更高的准确度和更快的收敛速度。此外，在四个海马神经元的实验记录钙响应中，所提方法显示出更快的收敛。显著的是，我们的技术检测到了上述神经元响应中底层过程记忆的结构异质性。我们相信所提方法有助于此类异质性的大规模研究，这反过来可通过熵率估计识别各种疾病的特征。
引用
@article{arxiv.2102.00723,
title = {Information Content in Neuronal Calcium Spike Trains: Entropy Rate Estimation based on Empirical Probabilities},
author = {Sathish Ande and Srinivas Avasarala and Jayanth R Regatti and Neha Pandey and Sarpras Swain and Ajith Karunarathne and Lopamudra Giri and Soumya Jana},
journal= {arXiv preprint arXiv:2102.00723},
year = {2021}
}