用于分析多维神经元与行为关系的参数化 Copula-GP 模型
统计方法学
2020-08-04 v1 神经与进化计算
摘要
当前系统神经科学的主要挑战之一，是分析具有高维神经元与行为数据的问题，这些数据所记录的变量具有不同的统计特性与时间尺度。我们提出了一种参数化 copula 模型，该模型将各个变量的统计特性与其依赖结构分离，并通过藤 copula 构造规避维数灾难。我们采用贝叶斯框架，在 copula 参数上施加依赖于连续任务相关变量的高斯过程（GP）先验。我们在合成数据上验证了该模型，并将其互信息估计性能与常用的非参数算法进行比较。当数据中的依赖关系与我们框架中使用的参数化 copula 相匹配时，我们的模型能提供准确的信息估计。当使用参数化模型进行精确密度估计不可行时，我们的 Copula-GP 模型仍能够提供合理的信息估计，接近真实值，并且可与神经网络估计器所得结果相媲美。最后，我们将我们的框架应用于在清醒小鼠上获得的真实神经元与行为记录。我们展示了我们的框架能够：1）为分析神经元间噪声相关或行为调制产生准确且可解释的二元模型；2）扩展到超过 100 维并测量全体种群统计中的信息含量。这些结果表明，Copula-GP 框架对于分析神经元、感觉与行为数据之间复杂的多维关系特别有用。
引用
@article{arxiv.2008.01007,
title = {Parametric Copula-GP model for analyzing multidimensional neuronal and behavioral relationships},
author = {Nina Kudryashova and Theoklitos Amvrosiadis and Nathalie Dupuy and Nathalie Rochefort and Arno Onken},
journal= {arXiv preprint arXiv:2008.01007},
year = {2020}
}