作为低秩核回归问题的神经群体数据非线性解混成分分析
神经元与认知
2019-12-11 v3
摘要
许多关于行为动物神经活动的研究旨在大规模神经群体记录中发现可解释的低维结构。解决该问题的一种方法是解混主成分分析(dPCA),这是一种有监督的线性降维技术,用于寻找依赖于特定实验参数的成分。在此,我引入核 dPCA (kdPCA) 作为 dPCA 的非线性扩展,将核最小二乘回归应用于解混问题。我考虑了具有低维活动的神经群体的模拟示例,以比较从 dPCA 和 kdPCA 恢复的成分。这些模拟表明,与神经相关的非线性(如刺激依赖增益和旋转)会干扰将神经活动线性解混为表示各个实验参数的成分。然而,kdPCA 在这些示例中仍能恢复可解释的成分。最后,我使用两个在感知决策任务期间记录的神经群体示例演示了 kdPCA。
引用
@article{arxiv.1812.08238,
title = {Nonlinear demixed component analysis for neural population data as a low-rank kernel regression problem},
author = {Kenneth W. Latimer},
journal= {arXiv preprint arXiv:1812.08238},
year = {2019}
}
备注
Accepted for publication in Neurons, Behavior, Data Analysis, and Theory