Texture Recognition Using a Biologically Plausible Spiking Phase-Locked Loop Model for Spike Train Frequency Decomposition
本文提出一种生物合理的脉冲锁相环模型，通过频率分解解码纹理，并在MST数据集上提升最先进性能。
2024-03-12 q-bio.NC
Kernel methods on spike train space for neuroscience: a tutorial
在过去的十年中，已经提出了几个正定核处理脉冲序列作为对象在希尔伯特空间。然而，在大多数情况下，这种尝试仍然只是计算神经科学家和信号处理专家的好奇心。本教程说明了为什么内核方法可以并且已经开始改变分析和处理脉冲序列的方式。该演示文稿结合了简单的数学类比和令人信服的实际例子，试图显示尚未探索的潜力，正定函数量化点过程。它还提供了一个详细的概述，目前的艺术和未来的挑战，希望从事读者积极参与。
2013-02-24 q-bio.NC
Learning with precise spike times: A new decoding algorithm for liquid state machines
有大量证据表明，生物神经网络在神经元产生和传输的尖峰的精确定时中编码信息，这提供了基于速率的编码的几个优点。在这里，我们采用矢量空间制定的脉冲序列序列，并引入一个新的液态机（LSM）网络架构和一个新的前向正交回归算法学习的输入输出信号映射或解码的大脑活动。该算法使用精确的尖峰时间来选择与每个学习任务相关的突触前神经元。我们表明，使用精确的尖峰定时训练的LSM和选择读出神经元导致显着增加的性能上的二进制分类任务，以及在解码神经活动从多电极阵列记录，相比，使用标准的架构和训练方法。
2019-07-13 q-bio.NC
Spike Pattern Structure Influences Efficacy Variability under STDP and Synaptic Homeostasis
在神经系统中，突触可塑性通常由脉冲序列驱动。由于神经元、突触和网络的固有噪声，脉冲序列通常表现出空间异质性和时间随机性等外部不可控的变异性，导致突触的变异性，我们称之为效能变异性。具有相同群体率但诱导不同功效变异性的尖峰模式可能导致具有急剧不同的结构和功能的神经元网络。然而，脉冲序列的变异性如何影响疗效变异性仍不清楚。在这里，我们系统地研究了这种影响时，尖峰模式具有四个方面的统计特征，即同步发射，自动时间结构，异质性的利率和异质性的互相关，在尖峰定时依赖可塑性（STDP）后，动态绑定的平均强度的可塑性突触进入或出一个神经元（突触稳态）。然后，我们显示的功能的重要性，疗效变异的编码和维护的连接模式和早期发展的主要视觉系统驱动的视网膜波。我们期望我们的工作为理解神经系统功能过程中突触可塑性和动态锋电位模式之间的相互作用带来一个新的视角。
2015-06-17 q-bio.NC
A causal inference approach of monosynapses from spike trains
本文提出一种从脉冲序列推断成对单突触效应的严格因果推断框架，通过时间尺度分离识别因果交互并开发快速算法，同时结合动力系统模拟和光遗传学实验探讨生物物理参数与统计因果定义之间的联系及实验假设检验。
2024-05-05 q-bio.NC
Time Divergence-Convergence Learning Scheme in Multi-Layer Dynamic Synapse Neural Networks
针对双层动态突触神经网络（DSNN），提出了一种新的学习方案--时间发散-收敛（TDC）。DSNN是一种人工神经网络模型，其中突触传递用动态过程建模，神经元之间的信息通过锋电位定时传递。在TDC中，DSNN的层内神经元被训练为将输入脉冲序列映射到称为特征域的更高维度的脉冲序列，并且输出神经元被训练为通过处理层内神经元的尖峰定时来构建期望的脉冲序列。DSNN的性能进行了检查，在一个抖动的尖峰序列分类任务，显示超过92\%的准确性，在分类不同的脉冲序列。DSNN的性能与递归多层神经网络相当，并以22%的裕度超过单层DSNN。突触动力学已被提出作为亚秒时间处理的神经基板，我们可以利用TDC训练DSNN执行不同形式的亚秒时间处理。这里提出的TDC学习在多层DSNN的更深层的突触适应方面是可扩展的。这里提出的DSNN和TDC学习可以用来复制在神经回路和模式识别任务中观察到的处理。
2017-07-25 q-bio.NC
A neuro-inspired system for online learning and recognition of parallel spike trains, based on spike latency and heterosynaptic STDP
人类在包括模式识别在内的许多认知任务中表现出色。然而，这一过程背后的神经机制还没有很好地理解。然而，受大脑回路启发的人工神经网络已经被设计并用于处理时空模式识别任务。在本文中，我们提出了一个多神经元的锋电位模式检测结构，能够自主实现在线学习和识别的并行锋电位序列（即，属于不同神经元/神经系综的脉冲序列）。这种结构的工作原理是基于两个尖峰/突触神经计算特性：尖峰延迟，使神经元能够以一定的延迟和异突触可塑性发射尖峰，允许自己调节突触权重。从信息表示的角度来看，该结构允许将时空刺激映射到多维、时间的特征空间。在这个空间中，参数坐标和神经元激发的时间代表一个特定的特征。在这个意义上，每个特征可以被认为跨越单个时间轴。我们应用我们提出的计划从运动抑制认知任务的实验数据。实验结果表明，该方法具有较好的分类性能.除了它的有效性，它的简单性和低计算成本建议在几个领域，如脑机接口，个人生物识别认证或疾病的早期检测的实时识别应用的大规模实施。
2018-06-27 q-bio.NC
Closed Form Jitter Analysis of Neuronal Spike Trains
间隔抖动和尖峰重采样方法用于分析时间相关性发生的时间尺度。它们允许计算抖动校正的交叉相关图和相关的统计稳健假设检验的性能，以决定在给定的时间尺度上观察到的相关性是否显着。目前使用的蒙特卡罗方法近似符合的概率分布。它们需要生成长度为$T$的$N_{\rm MC}$模拟脉冲序列，并计算它们与另一个尖峰序列的相关性，直到滞后$τ_{\max}$。这是计算成本高的$O(N_{\rm MC} \times T \times τ_{\max})$，并且它在估计$p$值时引入误差。相反，我们建议计算封闭形式的分布，具有$O(C_{\max} \log(C_{\max}) τ_{\max})$的复杂性，其中$C_{\max}$是最大可能的重合数。所有结果都是精确的而不是近似的，因此，获得的$p$值是理论上最好的可用数据和检验统计量。此外，模拟与现实的参数预测的速度增加了两个数量级的假设检验的蒙特卡罗方法，和四个数量级的计算完整的抖动校正交叉相关图。
2015-02-27 q-bio.NC
An information-theoretic framework to measure the dynamic interaction between neural spike trains
了解多个神经元同时记录的脉冲序列之间的相互作用模式是神经科学的一个重要课题。然而，尚未建立评估这些相互作用的最佳方法，因为现有方法要么不考虑脉冲序列的固有点过程性质，要么基于参数假设，如果不满足，则可能导致错误的推断。这项工作提出了一个框架，接地在信息动力学领域，无模型，连续时间估计的无向（对称）和定向（因果）之间的相互作用对脉冲序列。该框架将两个点过程X和Y之间动态交换的全部信息分解为X和Y的历史之间的动态互信息（dMI）加上沿方向X->Y和Y->X的转移熵（TE）的和。最近的工作，推导出理论表达式和一致的估计TE在连续时间的基础上，我们开发的算法，有效地估计所有措施，在我们的框架，通过最近邻统计。这些算法在独立和耦合脉冲序列过程的模拟中进行了验证，显示了dMI和TE在评估无向和定向相互作用时的准确性，即使是弱耦合和短实现，并证明了连续时间估计的优越性。然后，在一个真实的数据场景的记录从体外制备的自发生长的皮层神经元，在那里我们显示的能力，dMI和TE，以确定如何无向和定向脉冲序列相互作用的网络通过成熟的神经元文化改变其拓扑结构的框架的有用性。
2020-12-15 q-bio.NC
Metric-space analysis of spike trains: theory, algorithms, and application
我们提出了一种新的方法来分析时间编码的数学基础。该方法的基础是构建神经元脉冲序列之间的几个新的距离（度量）家庭。与分析时间编码的大多数先前方法相比，本方法不尝试在向量空间中嵌入脉冲串，并且不假设距离的欧几里德概念。相反，所提出的指标形式化的生理为基础的假设，哪些方面的发射模式可能是刺激依赖的，并利用神经放电的点过程的性质。我们发现，这些家庭的度量赋予空间的脉冲列车与相关的，但不等价的拓扑结构。我们展示了如何使用这些度量来确定一组观察到的反应是否具有刺激依赖的时间结构，而无需向量空间嵌入。我们展示了如何多维缩放可以用来评估这些指标的相似性，欧几里德距离。对于其中两个家庭的指标（一个基于尖峰时间和尖峰间隔的基础上），我们提出了高效的计算算法计算的距离。我们通过应用于人工数据集和来自听觉和视觉皮层的记录来说明这些想法。
1998-10-30 q-bio.NC q-bio.QM
Estimating the number of neurons in multi-neuronal spike trains
研究神经活动和行为之间关系的一种常见方法是通过分析使用植入大脑中的一个或多个电极记录的神经元尖峰序列。每个尖峰训练通常包含由多个神经元生成的尖峰。一个自然出现的问题是“产生尖峰训练的神经元$ν$的数量是多少？本文提出了一种矩量法技术估计$ν$。这种技术估计噪声nonparametrically使用的数据从无声区域的尖峰训练，它适用于孤立的尖峰可能很小，但不可忽略，存在重叠尖峰。条件建立，其中所得到的估计$ν$是强一致的。为了衡量其有限样本的性能，该技术适用于模拟尖峰列车以及实际的神经元尖峰训练数据。
2011-04-14 q-bio.NC stat.AP
Inferring Information Flow in Spike-train Data Sets using a Trial-Shuffle Method
理解大脑中的信息处理需要能够确定大脑不同区域之间的功能连接。我们提出了一种方法，使用传递熵提取这种信息流之间的大脑区域从脉冲序列数据通常在神经实验中获得。转移熵是基于信息理论的统计测量，其试图量化从一个过程到另一个过程的信息流，并且已经被应用于发现模拟脉冲序列数据中的连接性。由于估计器中的统计误差，推断功能连接需要用于确定传递熵值中的显著性的方法。我们讨论了传递熵的数值估计的问题，并在提出尝试洗牌方法作为一个可行的选择之前，确定显着性所带来的挑战。对于被分成多个试验的脉冲序列数据，试验混洗方法通过使用严格的统计测试与所创建的基线分布进行比较来独立地确定每个单独的神经元对的显著传递熵值。这与全局比较所有神经元转移熵值或将成对值与单个基线值进行比较形成对比。在建立这种方法的可行性比较，在文献中的几种替代方法，我们发现证据表明，保持尖峰间期的时间是很重要的。然后，我们使用尝试洗牌的方法来研究模型网络中的信息流，因为我们改变模型参数。这包括研究被划分为两个良好连接的子网络的连接网络中的全局信息流，超越了神经元对之间的局部信息传输。
2018-10-25 q-bio.NC
Monosynaptic inference via finely-timed spikes
在人口记录精细定时尖峰关系的观察已被用来支持部分重建的神经微电路图。在这种方法中，成对的脉冲序列相互作用的精细时标分量被隔离，随后归因于突触参数。最近的扰动研究加强了这种推断的情况下，但校准统计模型所需的一套完整的测量是不可用的。为了解决这一差距，我们研究了大规模体内数据集中成对尖峰的特征，其中突触前神经元通过神经元刺激与网络活动明确解耦。然后，我们构建成对的脉冲序列的生物物理模型，以再现所观察到的现象，在体内单突触的相互作用，包括细时标尖峰尖峰相关性和发射不规则性。这些模型的一个关键特征是成对的神经元通过快速波动的背景输入耦合。我们通过比较突触后训练与去除单突触后的反事实，来量化单突触的因果效应。随后，我们开发了统计技术来估计这种因果关系的影响，从突触前和突触后的脉冲序列。一个特别的焦点是时间尺度原则的非参数分离的理由和应用，以实现突触推理。使用从生物物理模型生成的模拟数据，我们表征的制度，其中的估计准确地识别单突触效应。第二个目标是在生物物理机制方面对神经统计学假设进行批判性探索，特别是关于背景动力学中快速，不可观测的非平稳性这一具有挑战性但可以说是根本性的问题。
2020-09-05 q-bio.NC
Measures of spike train synchrony for data with multiple time-scales
背景：棘波训练同步性的测量在实验和计算神经科学中都有广泛的应用。时间尺度独立和无参数的测量，例如ISI距离，SPIKE距离和SPIKE同步，比时间尺度参数测量更可取，因为通过适应局部放电率，它们考虑了给定数据集的所有时间尺度。新方法：在包含多个时间尺度（例如，规则尖峰和突发）的数据中，人们通常对最小的时间尺度不太感兴趣，并且需要更自适应的方法。在这里，我们提出了A-ISI-距离，A-SPIKE-距离和A-SPIKE-同步，它推广了原来的措施，考虑到当地相对于全球的时间尺度。对于A-SPIKE距离，我们还引入了一个与速率无关的扩展，称为RIA-SPIKE距离，它专门关注尖峰定时。结果如下：自适应泛化A-ISI-距离和A-SPIKE-距离允许忽略在更全球尺度上不相关的尖峰时间差。A-SPIKE同步不再需要对双尖峰和重合脉冲串的不合理的高精度。最后，RIA-SPIKE-distance被证明是独立的尖峰列车之间的速率比。与现有方法的比较：我们发现，与原始版本相比，A-ISI距离和A-SPIKE距离产生包含不同时间尺度的尖峰序列的改进，而不会在其他示例中表现出任何不必要的副作用。A-SPIKE-同步比SPIKE-Synchronization更有效地匹配尖峰。结论：有了这些建议，我们已经完成了图片，因为我们现在提供了自适应广义的措施，是敏感的速率（A-ISI距离），仅定时（ARI-SPIK…
2017-05-30 physics.data-an q-bio.NC
Entropy and Information in Neural Spike Trains
神经系统以离散动作电位或尖峰的序列表示时间依赖性信号，所有尖峰都是相同的，使得信息仅在尖峰到达时间中携带。我们展示了如何量化这些信息，在比特，从任何假设的尖峰训练或输入波形的功能是最重要的。我们应用这种方法来分析实验的运动敏感神经元在苍蝇视觉系统。
1997-06-27 cond-mat q-bio.NC
Parameters estimation for spatio-temporal maximum entropy distributions: application to neural spike trains
我们提出了一种数值方法来学习最大熵（MaxEnt）分布与时空约束的实验脉冲序列。这是两篇论文[10]和[4]的扩展，他们提出了仅考虑空间约束的参数估计。我们提出的扩展允许正确处理记忆效应的尖峰统计，大型神经网络。
2014-04-14 physics.bio-ph q-bio.NC
Spikebench: An open benchmark for spike train time-series classification
现代性能良好的神经解码方法基于机器学习模型，例如决策树集成和深度神经网络。可以用于从神经脉冲序列（其本质上是时间序列数据）学习的广泛算法导致需要用于神经解码的多样且具有挑战性的基准，类似于计算机视觉和自然语言处理领域中的基准。在这项工作中，我们提出了一个脉冲序列分类基准，开放访问的神经活动数据集的基础上，包括几个学习任务，如刺激类型分类，动物的行为状态预测，神经元类型识别。我们证明了一种基于手工制作的时间序列特征工程的方法建立了一个强大的基线，其性能与最先进的基于深度学习的神经解码模型不相上下。我们发布的代码允许重现报告的结果。
2023-01-27 q-bio.NC stat.AP
Quantifying spike train synchrony and directionality: Measures and Applications
Institute for Complex Systems (ISC), National Research Council (CNR)（复杂系统研究所，国家研究委员会）；National Institute of Nuclear Physics (INFN), Florence Section（国家核物理研究所，佛罗伦萨分部）
本文综述了多种量化神经元尖峰序列同步性与方向性的测度，介绍两种基于SPIKE-Order的延迟校正算法，并通过人工与真实神经元数据演示其应用，推动定量尖峰序列分析发展。
2026-07-30 physics.data-an q-bio.NC
On the precision of neural computation with interaural time differences in the medial superior olive
传入的声音在耳蜗和听觉神经中编码成脉冲序列。在听觉通路的第三神经元处，左右两侧的脉冲序列在脑干核中被处理以产生声音定位信息。两种不同的定位编码机制，采用两个中心的低，高的声音频率在脑干。中心是上橄榄核，内侧和外侧。本文对声音定位神经回路中描述听觉编码所需的参数进行了分析估计。我们的模型脉冲序列是基于电生理记录。我们到达最佳估计神经元信号与理想的观察者使用的只是明显的差异。我们描述了尖峰定时抖动及其在脉冲序列处理中的作用。所有参数都附有对其值和变异性的详细估计。区间界定所有参数从较低和较高的值进行了讨论。
2020-07-01 q-bio.NC
Signal Coding and Perfect Reconstruction using Spike Trains
在许多动物的感觉通路中，从外部刺激到脉冲序列的转换本质上是确定性的。在这种情况下，一个新的数学框架的编码和重建，基于一个生物学上合理的模型的尖峰神经元，提出。该框架考虑通过标准卷积阈值机制由神经元集合生成的脉冲序列对信号进行编码。神经元通过它们的卷积核和阈值来区分。重建被假定为一个凸优化最小化能量。然后，在该设置中识别出从脉冲序列完美重建信号的形式条件。最后，提出了一种随机梯度下降机制来实现这些条件。仿真实验证明了该框架的强度和有效性
2019-07-30 cs.NE q-bio.NC
Supervised Learning of Logical Operations in Layered Spiking Neural Networks with Spike Train Encoding
很少有用于脉冲神经网络的监督训练的算法存在，可以处理多个尖峰的模式，并且它们的计算特性在很大程度上是未探索的。我们在一组模拟中证明了ReSuMe学习算法可以成功地应用于分层神经网络。输入和输出模式被编码为多个精确定时的尖峰的尖峰序列，并且网络学习将输入序列转换为目标输出序列。这是通过将ReSuMe学习算法与下游神经元连接的乘法缩放相结合来完成的。我们特别指出，具有一个隐藏层的分层网络可以学习基本的逻辑运算，包括异或，而没有隐藏层的网络不能，反映了速率神经元分层网络的类似结果。虽然脉冲神经网络中的监督学习还不适合技术目的，但探索脉冲神经网络的计算特性可以促进我们对如何使用脉冲序列进行计算的理解。
2011-12-01 cs.NE q-bio.NC
A Wavelet Analysis of Transient Spike Trains of Hodgkin-Huxley Neurons
用连续小波变换和离散小波变换分析了由单个Hodgkin-Huxley（HH）神经元产生的由$M$（= 1 - 5）个脉冲组成的瞬态锋电位序列。我们研究了尖峰脉冲的脉冲间间隔（ISI）的变化和噪声对能量分布和小波熵的影响，这些能量分布和小波熵用小波变换展开系数表示。WT得到的结果进行了讨论与那些通过傅立叶变换得到的。
2001-11-02 cond-mat.dis-nn q-bio.NC
Heterogeneity in Neuronal Calcium Spike Trains based on Empirical Distance
神经元脉冲序列之间的统计相似性可以揭示复杂的潜在处理的重要信息。一般来说，同步脉冲序列之间的相似性比较容易识别。然而，类似的模式也可能以异步方式出现。然而，现有的方法，他们的识别往往收敛速度慢，不能适用于短序列。作为回应，我们提出了基于经验概率的Hellinger距离测量，我们证明它与现有技术一样准确，但合成和实验脉冲序列收敛速度更快。此外，我们聚类对神经元脉冲序列的统计相似性的基础上，发现两个不重叠的类，这可能表明在神经元的功能相似性。值得注意的是，我们的技术检测功能异质性对神经元响应与现有技术的性能相同，同时表现出更快的收敛。我们希望所提出的方法，以促进大规模的功能聚类研究，特别是涉及短序列，这反过来又会识别各种疾病的聚类模式的签名。
2021-03-13 eess.SP q-bio.NC
A guide to time-resolved and parameter-free measures of spike train synchrony
脉冲序列同步性的测量在实验和计算神经科学中都被证明是一个有价值的工具。特别有用的是时间分辨的方法，如ISI和SPIKE距离，已经应用于各种二元和多元的背景。最近，SPIKE同步被提出作为另一种时间分辨同步措施。它基于事件同步，具有非常直观的解释。在这里，我们提出了一个详细的分析这三个同步措施的数学性质。例如，我们能够获得泊松脉冲序列的ISI距离和SPIKE同步的期望值的解析表达式。对于SPIKE距离，我们提出了一个经验公式推导出的数值评估。这些期望值对于解释在实验或数值模拟中测量的脉冲序列的同步是至关重要的，因为它们代表完全随机化的脉冲序列的参考点。
2015-11-06 physics.bio-ph physics.data-an q-bio.NC
Which spike train distance is most suitable for distinguishing rate and temporal coding?
背景：在神经元编码中，通常认为对编码神经元重复呈现刺激会引起相似的反应。评估相似性的一种常见方式是脉冲序列距离。这些可以分为尖峰分辨的，例如Victor-Purpura和van Rossum距离，以及时间分辨的，例如ISI-，SPIKE-和RI-SPIKE-距离。新方法：我们使用独立的稳定速率泊松过程作为代理人的脉冲序列与固定的速率和没有定时信息，以解决两个基本问题：如何不同的脉冲序列距离的灵敏度时间编码取决于两个过程的速率和如何处理的距离非常低的利率？结果：尖峰分辨距离总是包含速率信息，即使是指示时间编码的参数。这对于合理的高利率是一个问题，但对于非常低的利率是有益的。相比之下，用于检测时间分辨距离的时间编码的操作范围在正常速率下是优越的，但是这些措施在非常低的速率下产生伪影。RI-SPIKE-distance是仅对定时信息敏感的唯一度量。与现有方法的比较：虽然我们的结果与\citet{Chicharro11}的尖峰分辨距离的速率相关的期望值同意，我们在这里更进一步，特别是调查适用于非常低的利率。结论：最适当的衡量标准取决于所分析数据的比率。因此，我们将结果总结在一个表中，该表允许轻松选择任何类型数据的首选度量。
2018-02-21 physics.data-an q-bio.NC
Bayesian Spike Train Inference via Non-Local Priors
Texas A&M University（德克萨斯农工大学）
针对从荧光轨迹推断神经元锋电位的问题，提出基于半非局部先验密度与点质量混合的贝叶斯方法，采用多处理器随机搜索，精度媲美L0方法且优于L1方法，还能自动量化推断不确定性。
2023-05-27 cs.LG q-bio.NC
PySpike - A Python library for analyzing spike train synchrony
了解大脑的功能是我们这个时代最大的挑战之一。实验记录的神经放电模式（尖峰序列）的分析在解决这个问题中起着至关重要的作用。这里介绍PySpike库，这是一个用于spike训练分析的Python包，提供了无参数和时间尺度独立的spike训练同步测量。它允许计算相似性和相异性配置文件，平均值和距离矩阵。虽然PySpike主要专注于神经科学，但它也可以应用于气候研究或社会科学等其他领域。该软件包在Github和PyPI上以开源形式提供。
2016-07-09 physics.bio-ph physics.data-an q-bio.NC
Spike-Train Responses of a Pair of Hodgkin-Huxley Neurons with Time-Delayed Couplings
对一对由周期性兴奋性-兴奋性时滞耦合的Hodgkin-Huxley（HH）神经元的棘波-串反应进行了模型计算。耦合的，可兴奋的HH神经元被假定为接收两种类型的尖峰序列输入：瞬态输入组成的$M$脉冲为有限的持续时间（$M$：整数）和连续输入与恒定的峰间期（ISI）。输出ISI的分布$T_{\rm o}$显示出丰富的变化，取决于耦合强度和时间延迟。的输出ISI的瞬态输入和顺序输入的依赖性之间的比较。
2000-12-04 cond-mat.dis-nn q-bio.NC
Noise-induced interspike interval correlations and spike train regularization in spike-triggered adapting neurons
神经元中的尖峰产生产生时间点过程，其统计由内在现象和待编码的外部传入输入支配。特别是，尖峰诱发的适应电流支持一个缓慢的时间过程，条件尖峰概率在目前的时间根据过去的活动。在这项工作中，我们研究的统计数据，在这样的非更新脉冲序列，神经元模型，再现不同的尖峰模式在一个小的适应情况下产生的尖峰间期的相关性。我们发现，当神经元以特定的放电率放电时，相关性会更强，这是由适应过程定义的。当设置在亚阈值状态时，神经元可以维持该特定的放电速率，并且因此通过噪声诱导相关性。鉴于，在这种制度下，interspike间隔是负相关的任何滞后，这种效果令人惊讶地意味着减少在有限的噪声强度的尖峰计数统计的变化。
2016-10-28 cond-mat.dis-nn physics.bio-ph q-bio.NC
Spike train statistics and Gibbs distributions
本文是基于LACONEU暑期学校，瓦尔帕莱索，2012年1月的讲座。我们介绍了吉布斯分布在一般设置，包括非平稳动力学，并提出了三个这样的吉布斯分布的例子，在神经网络尖峰训练统计的上下文中：（i）最大熵模型与时空约束;（ii）广义线性模型;（iii）电导为基础的积分和火模型与化学突触和间隙连接。
2013-02-20 physics.bio-ph q-bio.NC
A Multivariate Point Process Model for Simultaneously Recorded Neural Spike Trains
神经生理学数据收集的当前最新技术允许同时记录数十到数百个神经元，对于这些神经元，点过程是适当的统计建模框架。然而，现有的点过程模型缺乏多变量的推广，这是灵活的和计算上容易处理。本文介绍了一个多变量的推广与复位的Samplam过程（SPR），一个点过程定制的模型个别神经尖峰列车。多变量SPR（MSPR）是生物学上合理的，因为它模拟了神经整合的过程。它灵活的依赖结构和快速的参数估计方法使其非常适合于分析同时记录的多个神经元的锋电位序列。通过模拟和实验数据的分析，证明了MSPR的优点和缺点。
2022-06-20 q-bio.NC stat.ME
A simple model for low variability in neural spike trains
神经噪声限制了感觉系统中的信息传输。在几个领域，尖峰响应（重复刺激）表现出更高程度的规律性比预测的泊松过程。然而，仍然缺乏一个简单的模型来解释这种低变异性。在这里，我们介绍了一个新的模型，与泊松统计的校正，它可以准确地预测神经脉冲序列的规律性，在响应于重复刺激。该模型只有两个参数，但可以重现在各种条件下视网膜记录中观察到的变化。我们分析表明，为什么这种近似可以工作。在一个模型的尖峰发射过程中，假设一个不应期，我们得出，我们的简单的校正可以很好地近似的脉冲序列统计在很宽的范围内的放电率。我们的模型可以很容易地插入刺激处理模型，如线性-非线性模型或其推广，以取代泊松脉冲序列假设，通常假设。它比视网膜记录中的泊松模型更准确地估计传输的信息量。由于其简单性，该模型有可能解释其他领域的低变异性。
2018-01-04 cond-mat.dis-nn q-bio.NC
Neuronal Spike Trains as Functional-Analytic Distributions: Representation, Analysis, and Significance
University of California San Diego（加州大学圣地亚哥分校）
本文提出基于Schwartz分布理论的统一框架，用于分析神经脉冲序列，提供精确的运算微积分方法，实现无需离散化、速率近似或平滑的闭式分析。
2026-04-14 math.FA q-bio.NC
Fast non-negative deconvolution for spike train inference from population calcium imaging
用于观察大量神经元的尖峰活动的钙成像正迅速流行。虽然原始数据是荧光电影，但感兴趣的是潜在的脉冲序列。这项工作提出了一个快速的非负去卷积滤波器，推断出近似最可能的脉冲序列为每个神经元，给定的荧光观察。该算法在模拟数据和生物学数据上都优于最优线性反卷积（维纳滤波）。与维纳滤波器不同，性能增益来自将推断的脉冲序列限制为正（使用相邻点方法）。该算法足够快，即使在对超过100个神经元进行成像时，也可以比实时更快地对所有观察到的轨迹集进行推断。对图像执行最佳空间滤波进一步细化估计。重要的是，可以仅使用荧光数据来估计执行推断所需的所有参数，从而避免了执行联合电生理学和成像校准实验的需要。
2009-12-09 q-bio.NC q-bio.QM
A new class of metrics for spike trains
一对尖峰序列之间的距离，量化它们之间的差异，可以使用各种度量来测量。在这里，我们介绍了一类新的尖峰训练指标，Pompeiu-Hausdorff距离的启发，并与现有的指标进行比较。我们的一些新度量（模度量和最大度量）具有与经典度量（如van Rossum距离或Victor & Purpura距离）在性质上不同的特征。模度量和最大度量特别适合于测量尖峰序列之间的距离，其中信息被编码在突发中，但是突发内的尖峰的数量和定时不携带信息。模度量不依赖于任何参数，并且可以使用快速算法在线性依赖于两个尖峰序列中的尖峰数量的时间内计算。我们还介绍了本地化版本的新指标，这可能有生物相关的解释，测量尖峰列车之间的差异，因为它们被认为是在特定时刻的神经元接收这些尖峰列车。
2014-01-17 cs.IT cs.NE math.IT
A generative spike train model with time-structured higher order correlations
新兴技术正在揭示越来越大的神经集合中的尖峰活动。通常情况下，这种尖峰信号远非独立的，不同细胞的尖峰时间具有相关性。了解这种相关性如何影响神经系综的动力学和功能仍然是一个重要的开放问题。在这里，我们描述了一个新的，生成模型相关的脉冲序列，可以表现出许多数据中观察到的功能。扩展以前的工作在数学金融，这种广义细化和移位（GTaS）模型创建边际泊松脉冲序列与不同的时间相关结构。我们给出了几个例子，突出了模型的灵活性和实用性。例如，我们用它来研究神经网络如何响应高度结构化的输入模式。然后，我们表明，GTaS模型是分析听话，并推导出累积密度的所有订单的模型参数。因此，GTaS框架可以成为神经动力学实验和理论探索的重要工具。
2013-05-17 math.DS q-bio.NC
Entropy-based parametric estimation of spike train statistics
我们考虑神经元网络的演化，重点是尖峰动力学的渐近行为，而不是膜电位动力学。在这种情况下，尖峰响应不是作为确定性响应来寻求的，而是作为条件概率来寻求的：“读出代码”包括推断这样的概率。这个概率是计算从经验光栅图，通过使用框架的热力学形式主义遍历理论。这给了我们一个参数统计模型，其中概率具有吉布斯分布的形式。在这方面，这种方法概括了施奈德曼和合作者的开创性和深刻的工作。一个最小的介绍形式主义在这里进行审查，而一般的算法估计方法提出了快速收敛的实现。它也明确了几个尖峰观测（熵，速率，同步，相关性）给出了封闭形式的参数估计。这种范式不仅允许我们在给定设计选择的情况下估计尖峰统计数据，而且还可以比较不同的模型，从而回答关于神经代码的比较问题，例如：“相关性（或时间同步性或给定的尖峰模式集，...）仅对速率编码有意义？“提出了一种数值验证的方法，关于尖峰序列代码分析的观点也进行了讨论。
2010-08-26 physics.data-an q-bio.NC
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。
2009-12-30 cs.IT math.IT nlin.AO
Pre-Synaptic Pool Modification (PSPM): A Supervised Learning Procedure for Spiking Neural Networks
学习脉冲神经网络（SNN）模型的突触权值是计算神经科学和基于脉冲的计算中的一个核心问题。最佳权重值的发现可以被视为监督学习任务，其中选择模型网络的权重以最大化目标尖峰序列与模型输出之间的相似性。它仍然在很大程度上是未知的，是否优化尖峰训练相似性的高度经常性SNN产生的权重矩阵相似的地面实况模型。为此，我们提出了灵活的启发式监督学习规则，称为前突触池修改（PSPM），它依赖于随机权重更新，以便在所需时间的短窗口内产生尖峰，并消除此窗口外的尖峰。PSPM提高了所有对所有SNN的尖峰训练相似性，并且由于不需要梯度，因此不假设神经元的突触后电位或网络的结构。我们测试是否优化尖峰训练相似性需要发现准确的权重，并探讨本地和稳态权重更新的相对贡献。虽然PSPM提高了尖峰序列之间的相似性，但学习的权重通常与地面真实模型的权重不同，这意味着从尖峰数据进行连接体推断可能需要对连接统计进行额外的约束。我们还发现，尖峰训练相似性是敏感的本地更新，但其他措施的网络活动，如雪崩分布，可以通过突触稳态学习。
2019-10-08 cs.NE q-bio.NC
Timescales of spike-train correlation for neural oscillators with common drive
我们研究了相位重置曲线（PRC）的相关输入信号到相关的输出尖峰在一类神经模型接收噪声，超阈值刺激的转移的效果。我们使用线性响应理论来近似的尖峰相关系数的时刻相关的退出时间问题，并对比的结果为I型与II型模型和跨不同的时间尺度，尖峰相关性可以评估。我们发现，在长时间尺度上，I型振荡器传输相关性比II型振荡器更有效。在较短的时间尺度上，这种趋势会发生逆转，相对效率的切换时间尺度取决于输入电流的平均值和标准差。这种转换发生在下游电路可以利用的时间尺度上。
2009-07-22 q-bio.NC q-bio.QM
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。
2012-12-08 physics.bio-ph physics.data-an physics.med-ph
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。
2007-07-03 physics.bio-ph physics.data-an q-bio.NC
Statistics of spikes trains, synaptic plasticity and Gibbs distributions
我们引入了一个数学框架，可以分析神经网络在突触可塑性下进化产生的尖峰列车的统计数据。
2008-10-22 cond-mat.stat-mech math-ph math.MP
Temporal correlations and neural spike train entropy
采样的考虑限制了神经生理数据的信息理论分析产生可靠结果的实验条件。我们开发了一个程序，用于计算完整的时间熵和信息的神经尖峰序列，它可靠地执行有限的数据样本的合奏。这种方法也产生洞察尖峰之间的相关性在时间编码机制的作用。该方法，当应用于记录从复杂的细胞的猴子初级视觉皮层，结果在较低的RMS误差信息估计相比，一个“蛮力”的方法。
2001-04-11 cond-mat.dis-nn physics.bio-ph q-bio.NC
A hidden Markov model for decoding and the analysis of replay in spike trains
我们提出了一个隐马尔可夫模型，该模型描述了动物位置的变化与单个位置细胞神经元动作电位锋电位序列的不同活动水平相关。该模型采用了粗粒度的位置，我们发现这是一个更简约的描述系统比其他模型。我们使用一个序贯蒙特卡罗算法贝叶斯推断的模型参数，包括状态空间维度，我们解释如何估计位置从穗训练观察（解码）。在高时间分辨率和小神经元样本量的条件下，我们获得了比其他方法更高的精度。我们还提出了一种新的，基于模型的方法来研究重放：表达的穗训练活动相关的行为在时间的静止或睡眠，被认为是不可或缺的长期记忆的巩固。我们演示了我们如何可以检测的时间，信息内容和压缩率的重放事件在模拟和真实的海马数据记录从大鼠在两个不同的环境中，并验证检测到的重放事件的时间和尖波/涟漪的局部场电位之间的相关性。
2014-12-19 q-bio.NC stat.AP
Inference of Monosynaptic Connections from Parallel Spike Trains: A Review
本文综述了二十年来从多神经元尖峰序列推断单突触连接的方法，涵盖基于相关性和基于模型的两种主要途径，并指出识别准确性已显著提升。
2024-03-16 q-bio.NC q-bio.QM
Using spike train distances to identify the most discriminative neuronal subpopulation
背景：多个神经元的棘波序列可以根据总和群体（SP）或标记线（LL）假设进行分析。对外部刺激的反应是由神经元群体作为一个整体产生的，或者单个神经元具有自己的编码能力。针对群体上的单个汇集的尖峰序列或针对每个神经元单独估计的SPIKE距离可以用于量化这些响应。新方法：对于SP的情况下，我们比较三种算法，搜索最具歧视性的亚群在所有的刺激对。对于LL的情况下，我们引入了一种新的算法，结合神经元，单独分离不同的刺激对最好的。结果：SP的最佳方法是在所有可能的亚群上进行强力搜索。但是，它只适用于小群体。对于更现实的设置，模拟退火明显优于梯度算法，仅增加有限的计算负荷。我们的新LL方法可以处理非常复杂的编码场景，尽管它的计算容易。与现有方法的比较：脉冲串距离已被扩展到SP和LL编码之间的神经种群插值分析。这包括参数化区分不同神经元中被激发的尖峰的重要性。然而，这些方法只考虑整个人口。对亚群的明确关注使我们的算法是互补的。结论：神经群体的编码可能性是广泛的。SP和LL情况是我们的算法提供正确识别结果的两个极端。
2018-09-14 physics.data-an q-bio.NC
An O(n) method of calculating Kendall correlations of spike trains
记录越来越多的神经元的能力，以及对大规模神经网络模拟的越来越多的关注，需要计算上快速的算法来计算相关的统计测量。我们提出了一个O（n）的算法来计算肯德尔相关的脉冲序列，相关措施，特别是成为公认的神经科学中的一个重要工具。我们表明，我们的方法是大约50倍的速度比O（nln n）的方法，这是一个快速计算肯德尔相关性的当前标准。除了提供一个更快的算法，我们强调的作用，采取特定性质的脉冲序列上减少运行时间。我们可以想象，考虑到这一点，还有许多其他有用的算法可以更显着地加速。一个执行这里描述的方法的MATLAB函数已经在线免费提供。
2020-02-25 q-bio.NC q-bio.QM
Statistical Mechanics of Spike Trains: Self-Consistent Activity Ensembles and Phase Transitions
Université Paris Cité（巴黎西岱大学）；Institute of Psychiatry and Neuroscience of Paris (IPNP)（巴黎精神病学与神经科学研究所）；INSERM U1266（法国国家健康与医学研究院 U1266）；Hôpital Fondation Adolphe de Rothschild（阿道夫·德·罗斯柴尔德基金会医院）；Medical University of Gdańsk（格但斯克医科大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Laboratoire de Physique Théorique de la Matière Condensée, LPTMC（凝聚态物质理论物理实验室）；Institut Universitaire de France (IUF)（法兰西学院）；LIB, Sorbonne Université, INSERM, CNRS（索邦大学、法国国家健康与医学研究院、法国国家科学研究中心 LIB）；Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息学研究所）；International Centre for Theory of Quantum Technologies (ICTQT), University of Gdansk（格但斯克大学量子技术理论国际中心）
该研究提出脉冲神经元系统的统计力学框架，构建完整脉冲历史系综并分配有效能量泛函，表征振荡与非振荡活动的相变，通过序参量诊断 regime，经蒙特卡洛模拟验证自由能景观的预测。
2026-10-16 math-ph math.MP q-bio.NC
Dynamics and spike trains statistics in conductance-based Integrate-and-Fire neural networks with chemical and electric synapses
我们研究了电突触（间隙连接）对集体神经元动力学和尖峰统计的影响，在一个基于电导的Integrate-and-Fire神经网络中，由布朗噪声驱动，电导取决于尖峰历史。我们明确计算的时间演化算子，并表明，给定的尖峰历史的网络和膜电位在给定的时间，进一步的动态演化可以写在一个封闭的形式。我们表明，尖峰训练统计描述的吉布斯分布，其潜力可以近似与一个明确的公式，当噪声是弱的。这种潜在的形式包括现有的尖峰序列统计分析模型，如最大熵模型或广义线性模型（GLM）。我们还讨论了不同类型的相关性：由共享刺激引起的相关性和由神经元相互作用引起的相关性。
2012-12-14 math-ph math.MP physics.bio-ph
The power ratio and the interval map: spiking models and extracellular data
我们描述了一种新的，计算简单的方法来分析由外部刺激驱动的神经元脉冲序列的动力学。我们的方法的目标是测试简单的尖峰生成模型对细胞外记录的神经元响应的预测。通过一个新的统计称为功率比，我们区分两大类反应：（1）反应，可以完全由一个可变的发射率，（例如，调制泊松和伽马脉冲序列）;以及（2）仅点火率变化不足以表征响应动态的响应（例如，泄漏的积分和激发脉冲序列以及具有长绝对不应期的泊松脉冲序列）。我们发现，猫视网膜神经节，猫外侧膝状体核，猕猴初级视觉皮层的许多视觉神经元的反应属于第二类，这意味着模式的尖峰时间可以携带重要的信息，视觉刺激。我们的研究结果还表明，X型视网膜神经节细胞的脉冲序列，特别是，是非常相似的脉冲序列所产生的泄漏集成和火灾模型添加剂，刺激无关的噪声，可以代表背景突触活动。
1998-11-01 q-bio.NC q-bio.QM
Stochastic Resonance of Ensemble Neurons for Transient Spike Trains: A Wavelet Analysis
本文利用小波变换（WT）分析了$N$（=1，10，100和500）Hodgkin-Huxley（HH）神经元系综对具有独立高斯噪声的{ \it瞬态} $M$ -脉冲锋电位序列（$M=1-3$）的响应。输入和输出信号之间的互相关用WT展开系数表示。通过使用WT内的{ \it去噪}方法来评估信噪比（SNR），通过该方法从输出信号中提取噪声贡献。虽然一个单一的（N=1）的神经元的响应亚阈值瞬态信号与噪声是相当不可靠的，传输保真度评估的互相关和SNR被证明是大大提高通过增加值的$N$：一个人口的神经元在随机共振（SR）瞬态尖峰输入中发挥不可或缺的作用。它还表明，在一个大规模的合奏，超阈值瞬态尖峰的传输保真度是不显着下降的弱噪声，这是负责SR亚阈值输入。
2001-11-29 cond-mat.dis-nn q-bio.NC
Bayes Risk Consistency of Nonparametric Classification Rules for Spike Trains Data
University of Manitoba（曼尼托巴大学）；AGH University of Krakow（克拉科夫AGH大学）
本文针对非参数强度函数刻画的脉冲序列二分类问题，推导最优贝叶斯规则并构造插件式非参数核分类器，证明其渐近收敛到贝叶斯规则，并用模拟实验验证。
2023-08-09 cs.IT cs.LG math.IT
Responses of Ensemble Neurons to Spike-Train Signals with Independent Noises: Stochastic Resonance and Spike Variability
用数值方法研究了$N$（=1，10，和100）Hodgkin-Huxley（HH）神经元对相干脉冲串输入的响应，其中相干脉冲串输入是独立的Poisson脉冲串（ST）噪声和高斯白噪声。研究了三个相互关联的问题：（1）两种噪声影响之间的差异和相似性，（2）神经元系综的大小对信噪比（SNR）的影响，以及（3）大的放电变异性与相当好的信息传输的兼容性。(1)ST噪声的随机共振（SR）的性质被证明是相当不同的白噪声。当通过$SNR=10 {\rm log_{10}} [(A/X^α) {\rm exp}(-B/X)]$给出的表达式分析在我们的模拟中获得的亚阈值输入的SNR时，其中$X$表示噪声强度，$A$和$B$是常数，指标$α$对于ST噪声是$α=3$，对于白噪声是$α=2$：前者不同于在许多非线性系统中实现的$α=2$的常规值。ST噪声对SR的作用不如白噪声有效。(2)通过增加集合神经元的大小$N$，可以大大提高由SNR评估的传输保真度。在一个大规模的神经元集成，SNR的阈上输入不显着降低弱噪声负责SR的阈下输入。(3)亚阈值输入的输出尖峰的尖峰间期（ISI）具有较大的变异性（$c_{v} \siml 0.8$），这与在皮层神经元中观察到的数据相当。尽管个体神经元的激发是可变的，但是在集合上求和的输出信号可以借助于SR和池化效应来携带具有相当好的SNR的信息。
2002-02-15 cond-mat.dis-nn q-bio.NC
