异质脉冲神经元群体编码动态刺激的最优解码——一种闭式近似

神经解码可被表述为基于点过程观测的动态状态估计（滤波），这通常是一个难以处理的问题。数值采样技术对于真实神经数据的解码往往在实用上很有帮助。然而，作为建模和理解感觉神经系统的理论工具，它们用处不大，因为它们对最优编码与解码策略所能提供的概念性洞见有限。我们考虑以神经元参数上的分布为特征的感官神经元群体。我们发展了一种基于脉冲活动观测的、对最优滤波具有解析可处理性的贝叶斯近似，它极大便利了在偏离均匀编码常见假设的情形下对最优编码的分析。连续分布被用于以少量参数近似大型群体，由此得到的滤波器其复杂度不随群体规模增长，并允许对群体参数而非个体调谐函数进行优化。与粒子滤波的数值比较展示了该近似的质量。该解析框架带来了难以从数值算法获得的洞见，并且与关于感觉细胞偏好刺激分布的生物学观测相一致。