神经活动池中高阶相关性的统计建模

从多个神经单元的同时记录使我们能够研究非常大的神经群体的活动。为了理解大群神经元如何处理感觉信息，有必要开发合适的统计模型来描述记录到的尖峰序列的反应变异性。使用信息几何框架，可以通过为每个相关度分配一个相互作用参数来估计高阶相关性，从而得到一个$(2^N-1)$维模型用于具有$N$个神经元的群体。然而，该模型严重遭受组合爆炸，从可用样本量中估计的参数数量构成了该方法的主要难处理原因。为了量化多单元活动池中高于成对尖峰相关性的程度，我们使用扩展中心极限定理框架内的信息几何方法，考虑来自高阶尖峰相关性的所有可能贡献。变形参数的识别使我们能够在非常大的神经群体情况下提供高阶相关性数量的统计特征，显著减少参数数量，避免采样问题，并推断多单元神经活动池内网络的潜在动力学性质。