棘波训练统计量的熵参数估计

基于最大熵原理和Monte-Carlo方法的大规模网络时空脉冲序列分析

Spatio-temporal spike trains analysis for large scale networks using maximum entropy principle and Monte-Carlo method

理解神经网络的动力学是实验神经科学的一个主要挑战。为此，需要对记录的活动进行建模，重现数据的主要统计数据。在第一部分中，我们提出了一个审查最近的结果处理脉冲序列统计分析使用最大熵模型（MaxEnt）。这些研究大多集中在同步尖峰模式的建模上，而忽略了神经活动的时间动力学。然而，最大熵原理可以推广到时间的情况下，导致马尔可夫模型中的记忆效应和时间相关性的动态被适当地考虑。在第二部分中，我们提出了一种新的方法的基础上，蒙特卡罗抽样，适用于大规模的时空MaxEnt模型的拟合。这里提出的形式主义和工具对于将MaxEnt时空模型拟合到大型神经集合中至关重要。

测量扣球训练同步性

Measuring spike train synchrony

估计两个或多个锋电位序列之间的同步性或可靠性程度是实验和计算神经科学中的一项常见任务。近年来，已经提出了许多不同的方法，这些方法通常在预先固定的特定时间尺度上比较尖峰的定时。在这里，我们提出了ISI距离，一个简单的补充方法，通过评估瞬时频率的比率从峰间间隔提取信息。该方法是无参数，时间尺度独立，易于可视化所示的应用程序从大鼠脑片中获得的真正的神经元锋电位列车。与现有的方法从模拟Hindemash-Rose网络中提取的尖峰列车相比，ISI距离的表现以及最佳的时间尺度优化措施的基础上尖峰时间。

一种用于时间序列分类的非参数频域期望最大化算法及其在尖峰排序和宏观经济中的应用

A Nonparametric Frequency Domain EM Algorithm for Time Series Classification with Applications to Spike Sorting and Macro-Economics

我提出了一个频域适应的期望最大化（EM）算法组一个家庭的时间序列类相似的动态结构。它通过将每个信号（或功率谱）的离散傅里叶变换（DFT）的幅度视为单位圆上的概率密度/质量函数（pdf/pmf）来实现：具有相似动态的信号具有相似的pdf;不同的模式具有不同的pdf。这种方法的优点是，它不依赖于任何参数形式的动态结构，但可以用于非参数，鲁棒和无模型分类。这种新方法适用于形状相似的非平稳信号以及具有相似自相关结构的平稳信号。神经尖峰排序（非平稳）和模式识别中的社会经济时间序列（平稳）的应用程序证明了所提出的方法的有用性和广泛的适用性。

扣球训练的同步性和定向性措施

Measures of spike train synchrony and directionality

尖峰训练同步性的测量已经成为实验和理论神经科学中的重要工具。三种时间分辨的测量，称为ISI距离，SPIKE距离和SPIKE同步已经成功地应用于许多不同的上下文中。这些措施是独立的时间尺度，因为他们认为所有的时间尺度同样重要。然而，在真实数据中，人们通常对最小的时间尺度不太感兴趣，需要一种更具适应性的方法。因此，在本章的第一部分，我们描述了最近引入的三种测度的推广，这些推广逐渐忽略了较小时间尺度上的差异。除了相似性，尖峰序列的另一个非常相关的属性是尖峰的时间顺序。在本章的第二部分，我们解决这个属性，并描述了一个最近提出的算法，它量化的方向性内的一组尖峰训练。这种多变量方法将多个尖峰序列从领导者到追随者进行分类，并量化传播模式的一致性。最后，本章中描述的所有措施都可以免费下载。

监控尖峰训练同步

Monitoring spike train synchrony

最近，已经提出了作为一个参数的和时间尺度独立的措施，穗训练同步的穗距离。该测量是时间分辨的，因为它依赖于尖峰训练相异性的瞬时估计。然而，它的原始定义导致了虚假的高瞬时值的事件样放电模式。在这里，我们提出了一个实质性的改进，这一措施，消除了这一缺点。获得的可靠性使我们能够跟踪瞬时聚类的变化，即，多个尖峰序列之间的时间局部化模式的相似性。额外的新功能包括选择性和触发时间平均以及瞬时比较尖峰训练组。在第二步骤中，定义因果尖峰距离，使得相异性的瞬时值仅依赖于过去的信息，从而可以实时估计时间分辨的尖峰训练同步。我们证明，这些方法是能够提取有价值的信息，通过监测癫痫发作过程中神经元之间的同步性的现场数据。最后，说明了模型脑电图（EEG）记录的连续数据的常规和实时SPIKE距离的适用性。

脉冲序列的计算结构

The Computational Structure of Spike Trains

神经元执行计算，并通过其输出脉冲序列的统计结构来传达这些计算的结果。在这里，我们提出了一个实用的方法，接地预测的信息理论分析，推断该结构的最小表示和表征其复杂性。从脉冲序列开始，我们的方法找到他们的因果状态模型（CSM），最小的隐马尔可夫模型或随机自动机能够产生统计上相同的时间序列。然后，我们使用这些CSM客观地量化脉冲序列的可推广结构和特质随机性。具体来说，我们表明，预期的算法信息内容（精确描述脉冲序列所需的信息）可以被分成三个部分，描述（1）时不变结构最小锋电位产生过程的复杂性，它对脉冲序列进行统计描述;（2）随机性（内部熵率）;以及（3）不由最小尖峰生成过程描述的残余纯噪声项。我们使用CSM来近似这些量中的每个量。的CSM推断nonparametrically从数据中，只有轻微的规律性假设，通过因果状态分裂重建算法。这里提出的方法补充了更传统的脉冲序列分析，不仅描述尖峰概率和脉冲序列熵，但也复杂的脉冲序列的结构。我们证明了我们的方法，使用模拟的脉冲序列和实验数据记录在大鼠桶皮层在触须刺激。

神经放电序列中的熵和信息：抽样问题的研究进展

Entropy and information in neural spike trains: Progress on the sampling problem

神经反应和其他生物数据的信息论分析的主要问题是小样本的熵类量的可靠估计。我们应用最近推出的贝叶斯熵估计的实验启发的合成数据，并真正的实验尖峰列车。该估计器的表现令人钦佩，甚至非常深的欠采样制度，其他技术失败。这为实验的信息论分析开辟了新的可能性，并且作为从有限数据中学习的例子可能具有普遍的意义。

扣球训练同步的时间分辨和时标自适应措施

Time-resolved and time-scale adaptive measures of spike train synchrony

已经提出了各种各样的方法来估计两个或更多个尖峰序列之间的同步程度。最新的方法之一是ISI距离，它通过评估瞬时放电率的比率从峰间间期（ISI）中提取信息。与大多数以前提出的措施相比，它是无参数和时间尺度独立的。然而，它不太适合跟踪基于尖峰巧合的同步变化。在这里，我们提出了SPIKE距离，一个互补的措施，这是敏感的尖峰巧合，但仍然分享的ISI距离的基本优势。特别是，它很容易以时间分辨的方式可视化，并可以扩展到一个方法，也适用于更大的尖峰序列集。我们使用模拟和真实数据的SPIKE距离的优点。

SPIKY：一个用于监控扣球训练同步的图形用户界面

SPIKY: A graphical user interface for monitoring spike train synchrony

用于记录大规模神经元尖峰活动的技术发展非常快。这导致对能够分析大量实验尖峰训练数据的算法的需求不断增加。其中最关键和要求最高的任务是识别具有非常高的时间分辨率和跨不同空间尺度的相似模式。为了解决这一问题，近年来提出了三种时间分辨的尖峰训练同步措施，ISI距离，SPIKE距离和事件同步。用于计算和可视化这些措施的Matlab源代码已公开提供。然而，由于结果的许多不同的可能表示，这些代码的使用是相当复杂的，它们的应用需要一些Matlab的基础知识。因此，希望提供一种更加用户友好和交互式的界面。在这里，我们解决这个问题，并提出SPIKY，一个图形用户界面，便于应用程序的时间分辨的措施，穗训练同步模拟和真实的数据。SPIKY包括ISI距离、SPIKE距离和SPIKE同步（事件同步的改进和简化扩展）的实现，这些实现在计算速度和内存需求方面进行了优化。它还包括一个尖峰训练发生器和一个事件检测器，使其能够分析连续数据。最后，SPIKY包包括其他补充程序，旨在分析大量数据集和估计显著性水平。

“神经代码”在多大程度上是一种度量？

To which extend is the "neural code" a metric ?

这里提出了一个审查的不同选择，结构尖峰列车，使用确定性指标。首先考虑到在生物或计算尖峰列车中观察到的时间约束。与现有的神经编码（速率编码，秩编码，相位编码，…）然后讨论。在何种程度上，包含在尖峰序列中的“神经代码”与度量相关似乎是一个关键点，针对时间约束的因果尖峰序列提出了Victor-Purpura度量族的推广

由脉冲序列重构脉冲耦合振子网络

Reconstructing networks of pulse-coupled oscillators from spike trains

我们提出了一种方法来重建网络的脉冲耦合神经元类振荡器从被动观察的所有节点的脉冲串。它是假设，单位是由他们的相位响应曲线，他们的相位是瞬时复位传入脉冲。使用迭代过程，我们恢复所有节点的属性，即它们的相位响应曲线和固有频率，以及所有有向连接的强度。

Latency correction in sparse neuronal spike trains

Background: In neurophysiological data, latency refers to a global shift of spikes from one spike train to the next, either caused by response onset fluctuations or by finite propagation speed. Such systematic shifts in spike timing lead to a spurious decrease in synchrony which needs to be corrected. New Method: We propose a new algorithm of multivariate latency correction suitable for sparse data for which the relevant information is not primarily in the rate but in the timing of each individual spike. The algorithm is designed to correct systematic delays while maintaining all other kinds o…

尖峰分选技术

Technique(s) for Spike - Sorting

尖峰分选技术试图根据产生它们的神经元的身份对一系列嘈杂的电波形进行分类。现有技术执行这种分类，忽略了实际神经元的几个属性，最终可以提高分类性能。在这一章中，在用真实数据说明了尖峰排序问题之后，我们提出了一个更现实的脉冲序列生成模型。它结合了“非平凡”（即，非泊松）神经元放电统计的描述和尖峰波形动力学的描述（例如，事件振幅衰减为短的尖峰间期）。我们表明，这种脉冲序列产生模型是类似于一个一维波茨自旋玻璃模型。因此，我们可以使用的计算方法，已开发的领域，波茨模型被广泛使用。这些方法基于在模型参数和脉冲序列配置的空间中的马尔可夫链的构造，其中通过指定每个脉冲的起源神经元来定义配置。该马尔可夫链被构建为使得其唯一的平稳密度是给定观测数据的模型参数和配置的后验密度。然后使用马尔可夫链的蒙特卡罗模拟来估计后验密度。马尔可夫链的理论背景，并建立马尔可夫链的转移矩阵的方式说明了一个简单的，但现实的，数据生成模型。模拟数据被用来说明该方法的性能，并表明它可以很容易地应付神经元生成尖峰具有高度动态的波形和/或生成强烈重叠的集群威尔逊图。