LatenZy:从神经增数据中对延迟的非参数,无包装估计
Robin Haak1, J Alexander Heimel1
1Department of Circuits, Structure and Function, Netherlands Institute for Neuroscience, Royal Netherlands Academy of Arts and Sciences, Amsterdam, The Netherlands.
Journal of neurophysiology
|November 10, 2025
概括
我们开发了新的非参数方法,latenZy和latenZy2,用于精确的神经响应延迟估计. 这些工具避免了任意参数,提高了神经科学研究中的可复制性和统计效率.
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.
- 电子生理学 电子生理学
背景情况:
- 通过事件估计神经活动调节至关重要,但通常受到标准方法中任意参数的限制.
- 缺乏可复制性和可比性源于主观选择,如垃圾箱宽度和响应值.
- 现有的技术在大规模神经记录中难以精确的延迟估计和统计效率.
研究的目的:
- 引入两种新的非参数,无包装方法:响应发作延迟的 latenZy 和检测特定条件的尖端分歧的 latenZy2.
- 提供可扩展的,无参数的解决方案,用于神经数据分析中可靠的延迟估计.
- 在分析神经时间时提高可重现性,可比性和统计效率.
主要方法:
- latenZy和 latenZy2直接使用累积统计和代精制来分析峰值时间.
- 方法是非参数的,没有包装,避免对响应形状的假设.
- 通过来自小鼠视觉皮层和的高视觉皮层的电生理学数据集进行验证.
主要成果:
- latenZy提供了比传统的基于 bin 的方法更精确,更稳定的延迟估计.
- latenZy捕获了对比度依赖的延迟转移和在视觉区域的层次时间差异.
- latenZy2检测到的视觉皮层早期的注意力调节,在灵敏度和效率方面超过了基于 bin 的方法.
- 功率分析表明,使用这些新方法检测显著的延迟差异需要更少的神经元.
结论:
- latenZy和 latenZy2为大规模神经记录中的延迟估计提供了强大的,无参数的解决方案.
- 这些方法显著提高了可复制性,可比性和统计效率.
- 在Python和MATLAB中的开源实现促进了神经科学研究的广泛采用.
