利用跨试验和行为会议的相关性来改善神经解码.

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.
• 机器学习 机器学习

背景情况:

• 传统的神经解码器分析单个试验,忽略了有价值的交叉试验和交叉会话的神经活动模式.
• 动物的行为受到过去的经验的影响,这表明试验和会议之间的相关性具有重要的信息.

研究的目的:

• 开发新的,可解释的神经解码模型,利用跨多个试验和会议的相关性.
• 使用大规模数据集,提高从神经活动解码动物行为的精度.

主要方法:

• 引入了两个互补的多会话模型:一个降级模型和一个状态空间模型.
• 将模型应用于国际大脑实验室鼠标神经像素数据集 (433次会议,270个大脑区域).
• 与传统解码方法进行性能比较.

主要成果:

• 与传统方法相比,为四种不同的行为实现了更好的解码精度.
• 模型是可解释和高效的,与一些深度学习方法不同.
• 发现潜伏的行为动态和量化单个神经元对解码的贡献.

结论:

• 多会话模型有效地利用跨时间和会话的神经相关性来增强解码.
• 这些可解释的模型提供了对决策的神经机制和整个大脑的神经动态的洞察.
• 该方法为分析大规模神经科学数据集提供了强大的工具.