基于信息理论,对模式分离的强大和一致的测量方法,并证明了在牙状转中

科学领域:

• 计算神经科学是一种计算神经科学.
• 神经科学是一个神经科学.
• 信息理论是信息理论.

背景情况:

• 模式分离通过增加诸如牙状环状神经元电路中的输入不相似性来增强记忆存储.
• 当前的模式分离措施 (例如,正交点化,脱关系) 产生不一致的结果,并可能将模式分离与信息丢失混.
• 增加的神经发射稀疏性,牙状回形的特征,被认为是分离模式的关键,但可以被标准指标误解.

研究的目的:

• 开发和验证用于量化神经模式分离的新,强有力的措施.
• 解决现有的模式分离指标的局限性,特别是它们无法将分离与信息破坏区分开来.
• 引入基于信息理论的技术 (相互信息,转移,冗余),以便更有原则地评估模式分离.

主要方法:

• 将五种常用的模式分离措施与三种基于信息理论的新技术进行比较.
• 这些措施应用于单个牙状颗粒细胞和牙状微电路的详细隔间模型.
• 在模拟的条件下分析模式分离性能及其对神经结构的影响.

主要成果:

• 标准的模式分离措施可以通过增加稀疏度来不适当地改进,甚至可以达到信息丢失的程度.
• 新的信息理论措施提供了强大而可靠的评估,正确地惩罚与稀疏性相关的信息损失.
• 新的措施准确地反映模型中的图案分离性能,并可以预测图案完成的准确性.
• 相关的结构变化被证明会影响使用新指标的模式分离性能.

结论:

• 基于信息理论的测量方法提供了一个原则和可靠的方法来量化神经回路中的模式分离.
• 这些新的技术克服了现有方法的关键局限性,为神经元功能提供了更准确的评估.
• 开发的工具箱有助于分析来自不同大脑区域的尖列车组合中的模式分离.