贝叶斯的多层次隐藏马尔科夫模型从的原发动性皮层的纵向记录中识别出稳定状态动态

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 系统神经科学 系统神经科学

背景情况:

• 皮层计算可能依赖于神经群体,而不是单个神经元.
• 分析慢性神经群活动是复杂的,因为高维度和信号变化.
• 现有的隐藏马尔科夫模型 (HMM) 在分析神经尖端数据,纵向数据和特定条件差异方面存在局限性.

研究的目的:

• 开发一种新的多层贝叶斯式HMM来分析慢性神经人口活动.
• 通过纳入神经数据和纵向分析的统计特性来解决以前HMM方法的局限性.
• 为了建模神经群体活动中的特定条件差异.

主要方法:

• 开发了一个多层贝叶斯式HMM,具有多变量波桑日志正常发射概率.
• 包含多层次参数估计和试验特定条件共变量.
• 将框架应用于的初级运动皮层在达到,抓取和放置任务期间的多单元神经数据.

主要成果:

• 该模型成功地确定了与行为事件相关的潜在神经群体状态,即使没有明确的时间信息.
• 确定的神经状态及其行为关联在多天的记录中保持一致.
• 一个单一级的HMM无法在不同的录音会话中泛化,突出显示了多层次方法的优势.

结论:

• 多层贝叶斯式HMM为分析慢性神经群体活动提供了一个强大的框架.
• 这种方法在识别随着时间的推移与行为相关的神经状态方面表现出稳定性和实用性.
• 该框架非常适合未来研究长期神经可塑性的研究.