从成像数据中改进了隐藏神经状态的推断
Stephen Keeley1, David Zoltowski2, Adam Charles3
1Department of Natural Sciences, Fordham University.
bioRxiv : the preprint server for biology
|November 24, 2025
概括
我们开发了一种新的成像 (CI) 数据模型,可以准确地捕捉神经群体的活动. 这种方法改善了潜变量推断,以更好地理解CI记录中的大脑动态.
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.
- 系统神经科学 系统神经科学
背景情况:
- 成像 (CI) 被广泛用于记录神经人口活动.
- 现有的潜变模型 (例如,GPFA,HMMs) 是为电生理学而开发的,需要适应CI数据.
- 目前的调整涉及到尖峰解卷或高斯假设,这引入了不准确性.
研究的目的:
- 开发准确和可处理的模型来分析CI数据中的潜在结构.
- 创建一个更直接的模型,将观察到的光与潜变量联系起来,并考虑CI信号的不确定性.
- 改进隐性变量推断和CI记录的模型拟合.
主要方法:
- 增强现有的潜在变量模型 (HMM,GPFA,动态系统) 与一个新的CI观测模型.
- 该CI观测模型结合了潜在的Poisson升和自回归动态.
- 使用模拟CI数据和实验记录的成像数据验证了模型.
主要成果:
- 与现有方法相比,拟议的CI观察模型证明了潜在变量推理的改进.
- 对模拟和实验CI数据的模型拟合得到了增强.
- 新型号提供了更大的灵活性和与标准潜伏模型装配技术的直接兼容性.
结论:
- 开发的CI观测模型提供了一个更准确和灵活的方法来分析从成像的神经群体活动.
- 这些方法预计将广泛适用于对人口CI数据的各种分析.
- 改进的潜变量推断提高了我们从CI记录中理解神经动态的能力.
