多区域马科维-高斯过程:一种有效的方法来发现跨多个大脑区域的方向通信

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.
• 统计建模 统计建模

背景情况:

• 在神经科学中,了解大脑区域间的神经通信至关重要.
• 像高斯过程 (GP) 和线性动态系统 (LDS) 这样的现有方法在捕捉复杂的大脑相互作用方面存在局限性.
• 医生擅长识别潜在变量和频段,而LDS提供计算效率但表达能力有限.

研究的目的:

• 开发一个新的统计框架,整合GP和LDS模型的优势.
• 创建一种能够明确表示神经数据中的频率和相位延迟的模型.
• 为了实现多区域大脑通信的高效和可解释的分析.

主要方法:

• 我们提出了多区域马科维安高斯过程 (MRM-GP),这是一个新的模型,结构为线性动态系统,反映了多输出高斯过程.
• 这种方法在LDS和多输出GP形式主义之间建立了直接联系.
• 该MRM-GP的设计是为了在时间点上的线性推理成本运行.

主要成果:

• MRM-GP成功地模拟了神经记录的潜在空间内的频率和相位延迟.
• 该模型提供了一个可解释的,低维的神经活动表示.
• 我们展示了该模型能够揭示大脑区域之间的通信方向,并将振荡通信分成不同的频段.

结论:

• 在MRM-GP提供了一个强大的和计算效率高的方法来分析复杂的神经通信模式.
• 这种综合方法提高了多区域大脑记录中的潜在表示的可解释性.
• 我们的发现推动了研究不同频谱的大脑连接和动态的统计工具包.