神经元视角：从神经响应推断复杂刺激的特征

在单个神经元水平上研究刺激神经编码的实验通常选择世界中存在的少量特征——视觉的对比度和亮度，声音的音高和强度——并组装一个在这些维度上系统变化的刺激集。随后对神经响应这些刺激的分析通常聚焦于回归模型，以实验者控制的特征作为预测变量，以脉冲计数或放电率作为响应。不幸的是，这种方法需要预先知道给定神经元群体所编码的相关特征。然而，对于像社会交互或自然运动这样复杂的领域，相关特征空间知之甚少，并且任意的先验特征选择可能导致确认偏差。在此，我们提出一个用于探索性数据分析的贝叶斯模型，能够仅基于神经元响应自动识别非结构化刺激中存在的特征。我们的方法在神经活动的潜状态空间模型类中是独特的，因为它假设神经元的放电率对多个与刺激相关的离散时变特征敏感，每个特征具有马尔可夫（或半马尔可夫）动力学。也就是说，我们将神经活动建模为受多个同时刺激特征而非内在神经动力学驱动。我们推导了一个快速的变分贝叶斯推断算法，并展示它在合成数据中正确恢复隐藏特征，以及在原型神经数据集中恢复真值刺激特征。为演示该算法的效用，我们还将其应用于聚类神经响应，并展示成功恢复图像集中对应于猴子和脸的特征。