跳到正文
bioRxiv 神经科学· Zeng, S., Comrie, A. E., Frank, L. M., Eden, U. T., Denovellis, E. L. ·· 8 天前AI 评分46

神经解码的局部拟合优度检验:在体记录中定位状态空间模型失配的脉冲

Local goodness-of-fit measures for neural decoding

AI 导读

预印本提出局部拟合优度检验,逐脉冲判断每个spike是否与基于全部先前spike的模型预测一致,从而定位记录中模型拟合差的时段。基于高概率区域重叠与预测检验的两项一致性指标在模拟中能标记不一致spike,而标准KL散度还会误标仅收窄宽预测的spike。应用于大鼠海马空间觅食任务记录时,重叠指标在连续运动模型下于静止期标记更多spike,允许位置跳变的模型则消除了其中大部分标记。

AI 深度导读基于原文整理的分节解读
背景
状态空间模型常用于把神经活动与无法直接观测的内部状态联系起来,但判断某个模型是否适合某份数据仍不容易。交叉验证一类做法只给出整段记录的整体拟合情况,能说明模型不完美,却指不出记录中哪一段拟合得差。
做法
作者提出局部拟合优度指标:以此前全部锋电位为条件得到模型预测,再看每个锋电位经神经元调谐所指向的可能状态范围是否与预测一致。比较只用预测和锋电位指向的状态,因此也适用于从未排序锋电位波形解码的模型。作者先在模型误差已知的模拟中检验,再用于大鼠空间觅食任务的海马记录,对比假设连续运动的模型与允许表征跳转的模型。
结论
在模拟中,基于高概率区域重叠和预测检验的两个一致性指标能标出不一致的锋电位,而标准KL散度还会标出那些只是收窄了宽预测的锋电位。在海马数据中,连续运动模型在不动期被重叠指标标出的锋电位多于运动期,加入跳转后该模型的大部分标记消失。
意义
这些指标能定位一段记录中状态空间模型拟合不佳的时段,为有针对性地改进模型提供依据。作者同时公开了数据与代码。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

来源:bioRxiv 神经科学 · biorxiv.org