Spike-Threshold Variability Originated from Separatrix-Crossing in Neuronal Dynamics
动作电位产生的阈值电压是神经元信号转导的关键调节因子，但其动态变化的机制至今尚未完全阐明。在本文中，我们提出的阈值现象可以分为参数阈值和状态阈值。属于状态阈值的电压阈值由状态空间中的“一般分界线”确定。我们证明了分界线一般存在于神经元模型的状态空间中。将分界线的一般形式假定为状态和激励的函数，并由分界线自然地推导出先前假定的阈值随时间的演化方程。在神经元动力学方面，阈值电压的变化，这是由不同的刺激，是由跨越分界线在状态空间中的不同点。我们认为，阈值电压和刺激后阈值现象的内在动力学机制是状态空间中的分界线穿越机制。这些建议也系统地验证了实例模型，其中三个具有解析分离面，一个是经典的Hodgkin-Huxley模型。分隔线交叉框架提供了神经元阈值的概述，并将有助于理解阈值变化的性质。
2016-06-04 q-bio.NC
Dynamic modeling of spike count data with Conway-Maxwell Poisson variability
在大脑的许多区域，神经尖峰活动与外部世界的特征（如感官刺激或动物的运动）相关联。实验结果表明，神经活动的可变性随时间而变化，并且可能提供超出平均神经活动所提供的信息的关于外部世界的信息。为了灵活地跟踪随时间变化的神经响应特性，在这里，我们开发了一个动态模型与康威麦克斯韦泊松（CMP）的意见。CMP分布可以灵活地描述相对于泊松分布的欠分散和过分散的点火模式。在这里，我们跟踪CMP分布的参数，因为它们随时间变化。使用模拟，我们表明，正常的近似可以准确地跟踪动态的状态向量的中心和形状参数（$λ$和$ν$）。然后，我们将我们的模型与来自初级视觉皮层和海马体中的“位置细胞”的神经元数据进行拟合。我们发现，这种方法优于以前的动态模型的基础上泊松分布。动态CMP模型提供了一个灵活的框架，用于跟踪随时间变化的非泊松计数数据，也可能有超出神经科学的应用。
2022-10-08 q-bio.NC stat.AP
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
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 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
A quantitative comparison between spike-train responses of the Hodgkin-Huxley and integrate-and-fire neurons
计算并比较了单个Hodgkin-Huxley（HH）和整合-激发（IF）神经元在有和没有不应期时的尖峰脉冲串反应。假设HH和IF神经元通过兴奋性和抑制性突触耦合接收具有恒定峰间间隔（ISI）和由Gamma分布给出的随机ISI的尖峰序列输入：对于这两种耦合，HH神经元可以激发，而IF神经元只能用于兴奋性耦合。结果表明，IF神经元对恒定ISI输入的反应强烈依赖于不应期和突触强度，并且其反应与HH神经元的反应相当不同。HH和IF神经元的变异性不仅取决于随机输入的抖动，而且还取决于它们的平均值和突触强度。即使对于兴奋性输入，I型IF神经元也仅在有限的参数范围内可以很好地替代II型HH神经元
1999-10-05 cond-mat.dis-nn q-bio.NC
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
Fast, scalable, Bayesian spike identification for multi-electrode arrays
我们提出了一种算法来识别高密度多电极阵列（MEA）上观察到的单个神经尖峰。我们的方法可以区分大量的不同的神经单元，即使尖峰重叠，并占尖峰从每个单元的内在变异性。随着多边环境协定越来越大，重要的是要找到可扩展的尖峰识别方法，也就是说，尖峰拟合的计算成本应该与观察到的单位数很好地缩放。我们的算法实现了这一目标，而且速度很快，因为它利用了每个单元的空间局部性和细胞外信号传播的基本生物物理学。通过图形界面最大限度地减少和简化了人为干预。我们说明了我们的方法从哺乳动物视网膜准备的数据，并记录其性能的模拟数据组成的尖峰添加到实验测量的背景噪声。算法是高度精确的。
2010-07-16 q-bio.NC
Responses of a Hodgkin-Huxley Neuron to Various Types of Spike-Train Inputs
数值研究了Hodgkin-Huxley（HH）神经元对确定性、半确定性（混沌）和随机信号调制的脉冲串输入的响应。作为确定性的，我们采用了与时间无关的ISI和正弦信号调制的时间相关ISI的输入。ISI的混沌调制采用Rössler和Lorentz模型。随机ISI输入的伽玛分布。结果表明，输出ISI数据的分布不仅取决于平均ISI的尖峰序列的输入，但也取决于它们的波动。对这三种输入的响应的区分可以通过输入和输出ISI的返回图来进行，但不能通过它们的直方图来进行。由于HH神经元中的不应期，输入和输出ISI的变化之间的关系被示出为不同于积分和激发（IF）模型。
1999-06-04 cond-mat.dis-nn q-bio.NC
Identifying features in spike trains using binless similarity measures
中枢神经系统中的神经元通过一系列动作电位或脉冲序列相互交流。各种研究表明，神经元以脉冲序列的不同特征编码信息，例如精细时间结构、平均放电率、同步性等。理解神经元编码信息的重要一步是获得可靠的测量值不同脉冲序列之间的相关性。本文提出了两种新的脉冲序列的无仓相似性度量。新措施的性能进行了比较，与现有的一些措施，在他们的能力，检测的重要功能的脉冲序列，如他们的发射率，突发和共同的沉默期的敏感性和检测同步活动。
2014-10-19 q-bio.NC
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
Learning to represent signals spike by spike
神经科学中的一个关键问题是，生物物理现象在哪个层次上产生了功能意义。在大多数脊椎动物系统中，精确的功能是在神经元群体的水平上分配的，而单个神经元被认为是不可靠和冗余的。在这里，我们挑战这种观点，并表明许多单神经元的数量，包括电压，放电阈值，兴奋，抑制和尖峰，获得精确的功能意义时，网络学会传递信息吝啬和精确到下一层。基于神经回路在严格的代谢成本约束下产生精确的群体代码的假设，我们推导出突触可塑性规则，该规则允许网络以最大的准确度表示其随时间变化的输入。我们提供了学习的最佳状态的精确解，并从其输入分布和活动成本预测整个网络的属性。单神经元的变异性和调谐曲线通常在皮层中观察到的学习过程中出现，但矛盾的是，与一个精确的，非冗余的尖峰为基础的人口代码。我们的工作表明，神经回路的运作比以前想象的要精确得多，而且没有一个尖峰是徒劳的。
2017-03-16 q-bio.NC
A comparison of Euclidean metrics and their application in statistical inferences in the spike train space
对锋电位序列的统计分析和推断是神经编码研究的中心课题之一。了解给定脉冲序列数据的潜在分布和几何结构是非常有趣的。然而，一个根本的障碍是，所有的脉冲序列的空间是不是一个欧几里德空间，和非欧几里德度量已在文献中常用的特征的变化和模式的神经观察。在过去的几年里，两个类似于欧几里德的度量被独立地开发出来，用于测量脉冲序列空间中的距离。这些度量的重要益处在于，由于它们的欧几里德性质，脉冲序列空间将适合于嵌入欧几里德空间中。在本文中，我们系统地比较这两个度量的理论，性质和应用。由于其欧几里德属性，这些度量之一已被进一步用于定义汇总统计（即均值和方差）并在脉冲序列空间中进行统计推断。在这里，我们提供了等效的定义，使用其他指标，并表明可以进行一致的统计推断。然后，我们应用这两个推理框架中的神经编码问题的记录在膝状体神经节刺激不同的口味。结果发现，这两个框架取得了理想的结果，并提供了有用的新工具，在神经脉冲序列空间的统计推断。
2015-06-10 q-bio.NC
Spike distance function as a learning objective for spike prediction
本文提出用脉冲距离函数替代泊松学习目标训练神经网络，以毫秒级精度预测神经元脉冲序列，并在视网膜神经节细胞数据上验证其推断性能优于泊松模型。
2024-07-02 q-bio.NC
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
The spike train statistics for consonant and dissonant musical accords
考虑了由三个类神经元噪声元件组成的简单系统。其中两个（感觉神经元或传感器）由噪声和具有不同频率比的周期信号刺激，第三个（中间神经元）接收这两个传感器的输出和噪声。我们提出了分析的方法来分析由中间神经元产生的尖峰训练的ISI统计。感觉神经元的ISI分布被认为是已知的。输入正弦信号的频率是按比例的，这对于音乐是常见的。我们表明，在小的整数比（音乐和谐）的情况下，输入对的正弦信号的ISI分布的结果比在大的整数比（音乐不和谐）的输入频率的情况下，更经常的输出尖峰训练。这些影响解释从所提出的理论的观点。
2009-11-27 cond-mat.dis-nn physics.bio-ph q-bio.NC
Real-time closed-loop protocol to assess neural variability in temporal coding
该研究设计基于Hindmarsh-Rose模型的实时闭环协议，通过计算Victor-Purpura距离适应神经变异性，在两项验证实验中有效驱动神经动力学至期望状态，为神经编码研究提供了更优实验方法。
2026-08-27 cs.AI cs.NE cs.SY
Testing the Odds of Inherent versus Observed Over-dispersion in Neural Spike Counts Odds of Inherent versus Observed Over-dispersion
在神经元的感受野中重复呈现相同的视觉刺激可能在每次试验中引起不同的尖峰模式。概率方法对于理解这种差异在神经活动中的功能作用至关重要。在这种情况下，泊松过程是试验间变异性的最常见模型。对于泊松过程，尖峰计数的方差被约束为等于均值，而与测量的持续时间无关。许多研究表明，这种关系通常并不成立。具体而言，大多数电生理记录显示出“过度分散”效应：反应表现出比单独泊松过程预期的更多的试验间变异性。负二项分布模型是一个特别适合于量化过度分散的模型。这个模型被广泛研究和使用，但直到最近才被应用于神经科学。在本文中，我们解决三个主要问题。首先，我们描述了如何负二项分布提供了一个模型，易于占过度分散的尖峰计数。其次，我们通过提出一个统计检验来量化该模型对任何神经生理数据的重要性，该检验量化了过度分散可能是由于有限的重复次数（试验）造成的几率。我们将此测试应用于沿视觉通路的三个神经生理学测试。最后，我们比较了该模型的性能的泊松模型上的人口解码任务。我们表明，解码精度提高时占过色散，特别是在调谐过色散的假设下。
2016-11-14 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
Large Deviations Properties of Maximum Entropy Markov Chains from Spike Trains
我们考虑最大熵马尔可夫链推断方法来表征神经元脉冲序列的集体统计，重点是推断模型的统计特性。我们回顾大偏差技术在这方面有用的描述属性的准确性和收敛性的抽样规模。我们利用这些结果研究了极大熵马氏链的相关性、可解性和不可逆性的统计涨落。我们说明这些应用程序使用简单的例子，其中大偏差率函数明确获得最大熵模型的相关性在这一领域。
2018-05-18 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
Search for optimal measure for discriminating spike trains with different randomness
我们希望歧视尖峰序列的不规则程度的基础上。为了这个目的，我们寻找一个合理的表达的二次函数的连续interspike间隔，有效地测量尖峰不规则性。在自然假设下，系数的函数形式可以由单个参数参数化。参数的确定，以最大限度地提高来自不同的更新点过程的尖峰序列计算的系数的分布之间的互信息。我们发现，局部变化的interspike间隔，LV（神经计算。Vol. 15，pp. 2823-42，2003），由于其固有的不规则性接近于实验数据的不规则性，因此接近最优。
2005-05-13 q-bio.NC
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
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
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
A new framework for Euclidean summary statistics in the neural spike train space
对脉冲序列的统计分析和推断是神经编码研究的中心课题之一。理解给定神经数据的底层结构是非常有趣的。基于棘波序列之间的度量距离，最近的研究已经引入了平均或原型脉冲序列的概念来表征神经活动中的模板模式。然而，由于这些度量缺乏某些欧几里得属性，定义的平均值是非唯一的，并且不共享平均值的传统属性。在这篇文章中，我们提出了一个新的框架来定义的平均脉冲序列，我们采用了一个类似于欧几里德度量从$L^p$家庭。我们证明，这种新的平均脉冲序列正确地表示在传统的方式的平均模式，并可以有效地计算使用理论证明收敛的过程。我们将此平均值与其他脉冲序列平均值进行了比较，并证明了其优越性。此外，我们将新的框架应用于啮齿动物膝状体神经节的记录中，其中背景放电活动是神经编码的常见问题。我们表明，建议的平均脉冲序列可以用来消除背景噪声，提高解码性能。
2015-11-05 q-bio.NC stat.AP
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Full-dimensional characterisation of time-warped spike-time stimulus-response distribution geometries
本文研究神经脉冲时间表示的全维几何，提出大型细胞集群的精确脉冲模式在试次间存在时间扭曲，并表明扭曲程度依赖单次试次的皮层背景活动水平。
2024-01-22 q-bio.NC
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
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
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
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 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
