利用跨试验和行为会议的相关性来改善神经解码

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.
• 机器学习在生物学中的应用

背景情况:

• 传统的神经解码器分析单个试验,忽视关键的交叉会议和交叉试验的神经活动模式.
• 动物的行为受到先前经验的影响,在重复任务中表现出一致的神经模式.

研究的目的:

• 开发新的计算模型,将神经活动整合到多个会话和试验中.
• 通过计算时间依赖,改进从神经数据解码行为.

主要方法:

• 引入了两个互补的多会话模型:降级回归和状态空间模型.
• 将模型应用于来自国际大脑实验室 (IBL) 鼠标神经像素数据集的大数据集 (433 次会议,270 个大脑区域).

主要成果:

• 提出的解码器在解码四种不同的行为方面显著超过了传统方法.
• 在不同的数据集,物种和实验任务中概括模型性能.
• 实现了高效和可解释的神经表征,识别了与任务相关的单个神经元贡献和整个大脑激活时间表.

结论:

• 多会话建模方法优于单会话方法,用于理解行为的神经相关性.
• 这些模型提供可解释的,低维的神经表征,对神经科学研究有价值.
• 开发的方法为神经解码提供了对深度学习的强大,高效的替代方案.