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.
• 数据科学数据科学数据科学
• 生物信息学是一种生物信息学.

背景情况:

• 神经行为研究产生复杂的多维张量 (MDT) 数据.
• 分析MDT数据对于理解神经电路至关重要,但也带来了解释挑战.
• 标准的多变量分析工具是为二维张量 (2DT) 数据设计的.

研究的目的:

• 研究不同矩阵化和特征选择方法对MDT神经行为数据的多变量分析的影响.
• 优化MDT数据转化为2DT以进行增强分析.
• 通过转换数据识别强大的方法来区分行为表型.

主要方法:

• 将各种矩阵化技术 (索引构造,特征连锁) 应用于MDT数据.
• 采用过器和嵌入式特征选择方法来识别有信息的2DT特征.
• 使用多个分类器进行交叉验证和持久验证,以评估斑马鱼视觉运动响应数据的性能.

主要成果:

• 功能连锁与嵌入式功能选择或联合操作相结合,为分类器提供了最佳的性能.
• 最优化的方法揭示了野生类型和视力受损的突变斑马鱼之间的独特行为差异.
• 这些微妙的差异无法通过标准MDT或单独的多变量分析来辨认.

结论:

• 矩阵化和特征选择是分析复杂的MDT神经行为数据的有效策略.
• 具有嵌入式特征选择的特征连锁方法为增强多变量分析提供了强大的方法.
• 这种方法提供了对行为现象型及其潜在的神经机制的新见解.