非平稳性对从神经数据推断模型的影响

受共同非平稳输入驱动的神经元可能表现出相关的放电行为。神经脉冲序列统计中的相关性也可能是神经元间相互作用的结果。在此我们表明，只要数据足够丰富，这两种情况可以通过机器学习技术加以区分。为此，我们研究了从可用数据中推断平稳或非平稳动力学 Ising 模型的问题。我们将该推断过程应用于两个数据集：一个来自蝾螈视网膜神经节细胞，另一个来自一个真实的计算皮层网络模型。我们表明，蝾螈视网膜神经元协同活动的许多方面可以简单地归结于外部输入。一个受非平稳外场驱动且无相互作用的神经元模型，其表现优于具有平稳输入和神经元间耦合的模型，即使在考虑模型参数数量差异后也是如此。当将耦合加入非平稳模型时，对于视网膜数据几乎没有提升：推断出的耦合通常并不显著。同样，同时放电的神经元集合大小的分布以及作为其排名函数的脉冲模式频率（Zipf 图）可以很好地被具有时间依赖外部输入的独立神经元模型解释，而在此类模型中添加连接并不能带来显著改善。对于皮层模型数据，使用非平稳模型可以推断出与真实连接具有良好相关性的稳健耦合。向该模型添加连接略微改善了同步脉冲概率与数据的一致性，但几乎不影响 Zipf 图。