整合统计与机器学习方法以识别神经群体中的感受野结构
神经元与认知
2022-10-28 v2 机器学习
摘要
神经元可同时编码多个变量，神经科学家常有兴趣根据其感受野特性对神经元进行分类。统计模型为确定影响神经放电活动的因素以及对单个神经元进行分类提供了强有力的工具。然而，随着神经记录技术发展到能从大规模群体中同时产生放电数据，经典统计方法往往缺乏处理此类数据所需的计算效率。机器学习（ML）方法以能够实现高效大规模数据分析而闻名；然而，它们通常需要带有平衡数据的海量训练集以及准确的标签才能良好拟合。此外，相较于经典统计方法，ML 的模型评估与解释往往更具挑战性。为应对这些挑战，我们开发了一个整合框架，结合统计建模与机器学习方法来识别大规模群体中神经元的编码特性。为演示该框架，我们将这些方法应用于从大鼠海马体记录的神经元群体数据，以刻画该区域空间感受野的分布。
引用
@article{arxiv.2208.12025,
title = {Integrating Statistical and Machine Learning Approaches to Identify Receptive Field Structure in Neural Populations},
author = {Mehrad Sarmashghi and Shantanu P. Jadhav and Uri T. Eden},
journal= {arXiv preprint arXiv:2208.12025},
year = {2022}
}