面向亚毫秒时间尺度的功能神经连接可扩展推断
神经元与认知
2025-10-27 v1 机器学习
摘要
泊松广义线性模型（GLM）是分析神经脉冲序列数据的数据分析基础工具。然而，标准实现依赖于将脉冲时间离散化为分箱计数数据，这限制了时间分辨率和可扩展性。本文发展出蒙特卡津（MC）方法和多项式近似（PA）用于连续时间模型的实现，显示其优于离散时间方法。进一步，我们提出使用指数缩放的拉格尔多项式作为正交时域基，提高滤波器识别并在多项式近似下产生闭形式积分解。应用于合成数据和来自啤酒神经节的真实脉冲时间数据，我们的方法在准确性和可扩展性方面优于传统分箱 GLM，使功能连接推断在神经节大规模记录中实现了在突触动力学时间尺度上的高精度推断，并与啤酒亚区域已知解剖特性一致。我们提供两套 MC 和 PA 估计器的开源实现，针对 GPU 加速进行优化，以促进神经科学界的采用。
引用
@article{arxiv.2510.20966,
title = {Scalable inference of functional neural connectivity at submillisecond timescales},
author = {Arina Medvedeva and Edoardo Balzani and Alex H Williams and Stephen L Keeley},
journal= {arXiv preprint arXiv:2510.20966},
year = {2025}
}
备注
Accepted at NeurIPS 2025