在小于百万秒的时间尺度上,可扩展的功能神经连接的推断

科学领域:

• 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
• 机器学习用于神经科学

背景情况:

• 普朗森通用线性模型 (GLM) 是神经尖峰列车分析的标准.
• 目前的GLM实现使得峰值时间变得分辨,限制了时间分辨率和可扩展性.
• 需要更准确和可扩展的方法来分析大规模的神经记录.

研究的目的:

• 使用蒙特卡洛 (MC) 和多项式近似 (PA) 方法开发Poisson GLMs的连续时间类比.
• 为了提高神经尖峰列车数据分析的时间分辨率和可扩展性.
• 在大规模的神经记录中实现功能连接推断.

主要方法:

• 为连续时间的Poisson GLMs开发了蒙特卡洛 (MC) 方法.
• 开发了多项式近似 (PA) 方法,使用指数缩放的拉盖尔多项式作为直角时间基础.
• 应用于合成和真实动物海马峰时间数据的方法.

主要成果:

• 与传统的GLM相比,MC和PA方法显示出更高的准确性和可扩展性.
• 直角时间基础改善了过器的识别,并产生了封闭形式的整体解决方案.
• 这些方法使得功能连接的推断能够在时间上精确,与已知的海马体解剖学保持一致.

结论:

• 使用MC和PA的连续时间的Poisson GLM比离散时间的GLM提供了显著的优势.
• 拟议的方法提高了大规模神经记录的分析,具有高时间精度.
• 提供开源,GPU加速的实现,以促进神经科学界的采用.