通过矩阵化和特征选择对动物行为的张量分析

科学领域:

• 神经科学是一个神经科学.
• 行为科学 行为科学
• 数据科学数据科学数据科学

背景情况:

• 神经行为研究产生复杂的多维张量 (MDT) 数据.
• 标准的多变量分析 (MVA) 难以处理高维的MDT数据.
• 现有的缩小维度的方法,如矩阵化,可能会丢失信息或引入噪声.

研究的目的:

• 系统地评估MDT数据分析的矩阵化和特征选择方法.
• 评估这些方法对下游MVA绩效的影响.
• 确定分析神经行为MDT数据集的最佳策略.

主要方法:

• 将各种索引构造和特征连锁矩阵化技术应用于MDT数据.
• 使用过器和嵌入式方法进行信息化的2D张量 (2DT) 特性选择.
• 通过分类任务和交叉验证,使用斑马鱼视觉运动反应数据集 (野生类型与突变) 评估性能.

主要成果:

• 功能连锁矩阵化和嵌入式特征选择的组合在大多数分类器中产生了最好的MVA性能.
• 这种方法揭示了野生类型和视力受损斑马鱼之间的独特行为区别,这是标准分析错过的.
• 特定的矩阵化和特征选择策略显著影响下游MVA的有效性.

结论:

• 矩阵化与特征选择相结合是分析复杂的神经行为MDT数据的强大方法.
• 最佳策略涉及特征连锁和嵌入式特征选择,以提高MVA.
• 这种方法提高了发现微妙的行为表型和潜在的神经电路的能力.