用于解码复杂神经数据的潜变量双高斯过程模型
机器学习
2024-05-12 v1 神经元与认知
摘要
诸如高斯过程 (GP) 之类的非参数模型在复杂数据分析中展现出可喜的结果。其在神经科学数据中的应用近期获得了关注。在本研究中，我们引入了一种基于 GP 模型构建的新型神经解码器模型。其核心思想是两个 GP 利用一组低维潜变量生成神经数据及其关联标签。在此建模假设下，潜变量代表了神经数据中存在的潜在流形或本质特征。当 GP 完成训练后，即可从神经数据中推断出潜变量，从而高精度地解码标签。我们展示了该解码器模型在言语记忆实验数据集中的应用，并表明该解码器在预测刺激方面的准确率显著超越了 SOTA 解码器模型。该模型的上述性能突显了在神经科学数据分析中利用非参数模型的重要性。
引用
@article{arxiv.2405.05424,
title = {Latent Variable Double Gaussian Process Model for Decoding Complex Neural Data},
author = {Navid Ziaei and Joshua J. Stim and Melanie D. Goodman-Keiser and Scott Sponheim and Alik S. Widge and Sasoun Krikorian and Ali Yousefi},
journal= {arXiv preprint arXiv:2405.05424},
year = {2024}
}