利用持续同调揭示神经数据中的隐藏信息
神经元与认知
2015-10-23 v1 代数拓扑
摘要
我们提出一种基于持续同调的方法，以揭示神经元活动的先验未知协变量的拓扑性质。我们的输入数据由一组感兴趣神经元的尖峰序列测量、控制神经元活动的已知刺激的候选列表、以及在整个实验过程中动物的相应状态构成。利用神经元活动的广义线性模型以及关于外部刺激效应的简单假设，我们推断并去除候选刺激对观测尖峰序列的任何贡献。持续同调随后揭示关于任何进一步的未知协变量的有用信息。
引用
@article{arxiv.1510.06629,
title = {Using persistent homology to reveal hidden information in neural data},
author = {Gard Spreemann and Benjamin Dunn and Magnus Bakke Botnan and Nils A. Baas},
journal= {arXiv preprint arXiv:1510.06629},
year = {2015}
}