Coupling-Induced Population Synchronization in An Excitatory Population of Subthreshold Izhikevich Neurons
我们认为一个兴奋的人口阈下Izhikevich神经元表现出噪声诱导的放电。通过改变耦合强度$J$,我们调查人口同步之间的噪音引起的放电,可用于有效的认知处理,如感官知觉,多感官绑定,选择性注意,和记忆的形成。随着$J$的增加,丰富类型的群体同步(例如,尖峰、突发和快速尖峰同步)。用序参量$\cal{O}$很好地描述了种群同步和不相干之间的过渡。作为最后一步,耦合导致振荡器死亡(噪声诱导尖峰的猝灭),因为每个神经元都被吸引到噪声平衡状态。振荡器死亡导致从点火状态到非点火状态的转变在人口水平,这可以很好地描述在时间平均的人口尖峰率$\overline{R}$。除了使用$\cal{O}$和$\overline{R}$的运动力学分析之外,还通过使用非线性动力学技术(例如神经尖峰的光栅图、膜电位的时间序列和相图)来表征每个群体和个体状态。我们注意到,人口同步的噪音引起的放电可能会导致出现同步的脑节律在嘈杂的环境中,与不同的认知功能。
2014-03-05 physics.bio-ph q-bio.NC
Macroscopic Dynamics of Neural Networks with Heterogeneous Spiking Thresholds
平均场理论将单个神经元的生理特性与神经元群体活动的涌现动力学联系起来。这些模型为研究不同尺度的大脑功能提供了一个重要的工具;然而,为了将它们应用于大规模的神经元群体,它们需要考虑不同神经元类型之间的差异。Izhikevich单神经元模型可以解释各种不同的神经元类型和尖峰模式,从而使其成为异构网络中脑动力学的平均场理论治疗的最佳候选者。在这里,我们推导出网络的所有到所有耦合Izhikevich神经元异质尖峰阈值的平均场方程。使用分歧理论的方法,我们研究的条件下,平均场理论准确预测的Izhikevich神经网络的动态。为此,我们专注于Izhikevich模型的三个重要特征,这些特征在这里受到简化假设的影响:(i)尖峰频率适应,(ii)尖峰重置条件,以及(iii)单细胞尖峰阈值在神经元中的分布。我们的研究结果表明,虽然平均场模型是不是一个精确的模型的Izhikevich网络动力学,它忠实地捕捉其不同的动态制度和相变。因此,我们提出了一个平均场模型,可以代表不同的神经元类型和尖峰动态。该模型是由生物物理状态变量和参数,结合现实的尖峰复位条件,并占神经尖峰阈值的异质性。这些功能允许广泛的适用性的模型,以及直接比较实验数据。
2022-09-07 cond-mat.dis-nn q-bio.NC
Timing Control of Single Neuron Spikes with Optogenetic Stimulation
本文预测的能力,外部控制的皮层神经元,其行为遵循Izhikevich神经元模型的发射时间。Izhikevich神经元模型提供了一种有效的和生物学上合理的方法来跟踪皮层神经元的膜电位和其放电时间。外部控制是一个简单的光遗传学模型,由一个可以打开或关闭的恒流源表示。本文认为,发射频率是足够低的膜电位返回到其静息电位后,它的火灾。将神经元充电和神经元恢复到静息电位所需的时间拟合到Izhikevich神经元模型参数的函数。结果表明,线性函数的模型参数可以用来预测充电时间具有一定的精度,并足以估计可实现的最高发射频率没有interspike干扰。
2018-02-13 physics.bio-ph q-bio.NC
Modeling Interference-Free Neuron Spikes with Optogenetic Stimulation
本文预测的能力,外部控制的皮层神经元,其行为遵循Izhikevich神经元模型的发射时间。Izhikevich神经元模型提供了一种有效的和生物学上合理的方法来跟踪皮层神经元的膜电位和其放电时间。外部对照是由刺激饱和或衰减膜电流的照明源表示的简单光遗传学模型。本文认为,发射频率是足够低的膜电位返回到其静息电位后,它的火灾。神经元充电和神经元恢复到静息电位所需的时间在数值上拟合到Izhikevich神经元模型参数和峰值输入电流的函数。结果表明,简单的函数的模型参数和最大输入电流可以用来预测的充电和恢复时间,即使在实际参数值有偏差。此外,预测导致可以在没有显著失真的情况下实现的发射频率的下限。
2019-12-29 physics.bio-ph q-bio.NC
Spike-timing-dependent plasticity with axonal delay tunes networks of Izhikevich neurons to the edge of synchronization transition with scale-free avalanches
在过去的二十年里,临界脑假说在实验和理论神经科学中都得到了广泛的研究。然而,仍然存在一些重要的问题:(1)大脑运作的临界点是什么?(ii)是什么样的调控机制导致并维持了这种临界状态?(iii)临界状态的特点是尺度不变的行为,这似乎是在明确的脑振荡不一致?在这项工作中,我们考虑了一个生物动机的模型Izhikevich神经元网络与化学突触通过尖峰时间依赖可塑性(STDP)以及轴突的时间延迟相互作用。在一般和生理相关的条件下,我们表明,该系统是有组织的,并保持在一个同步过渡点,而不是与吸收状态相变的活动过渡点。然而,这样一个国家表现出实验相关的迹象,包括无标度雪崩的临界动力学与有限大小的缩放以及分支比。虽然系统显示具有高度相关波动的随机振荡,但它也显示被视为功率谱中的尖峰的主导频率模式。STDP的作用以及时间延迟是至关重要的,在实现和维持这种关键的动态,而抑制的作用是不重要的。这样,我们就可以对上述三个问题提供明确的答案。我们还表明,可以实现超临界或亚临界动力学,如果一个改变与轴突传导的平均时间延迟。
2019-07-22 nlin.AO q-bio.NC
Discrete hybrid Izhikevich neuron model: nodal and network behaviours considering electromagnetic flux coupling
我们分析了在外部电磁场作用下著名的Izhikevich神经元模型的改进离散化版本的动力学。结果发现,三维IZHmap显示了丰富的动态。随着电磁场的变化,从分岔图中可以观察到倍周期路径以重复的方式进入混沌。即使向前和向后连续分岔图不完全重叠,也表明系统存在多稳定性。观察到双稳态现象(周期吸引子和混沌吸引子共存)。最大李雅普诺夫指数图有助于周期和混沌吸引子的存在。电磁场和突触电流的李雅普诺夫相图显示了一个大的参数区域的混沌和周期行为的存在,以及无界区域。随着电磁耦合强度和突触电流的变化,IZH图显示了大量的发放和爆发模式,如混合模式模式、强直发放、相位发放、稳定发放、规则发放、发放爆发、周期爆发、相位爆发、混沌发放等。我们还研究了嵌合体状态的存在下,在一个环星,环,星网络的IZH地图神经元。嵌合体状态的情况下,发现的环形星和环形网络,而同步集群的情况下,发现的星形网络和辅助的时空图,时空图,复发图。离散化的IZH图所显示的丰富的动力学特性使其成为研究神经动力学的一个很有前途的研究模型。
2021-05-16 nlin.AO nlin.CD q-bio.NC
Reconstructing Neural Parameters and Synapses of arbitrary interconnected Neurons from their Simulated Spiking Activity
为了理解神经回路的行为,我们有一个先决条件,即我们有一个描述这个回路的动力系统模型。该模型由几个参数决定,不仅包括突触权重,还包括每个神经元的参数。现有的工作主要集中在突触权重或神经元参数。在本文中,我们提出了一种算法来重建所有参数,包括突触的尖峰神经元模型的权重。该模型以尤金·M. Izhikevich(Izhikevich 2007)由两个微分方程组成,涵盖了不同类型的皮层神经元。它结合了Hodgkin-Huxley型动力学的动力学性质和高计算效率。所提出的算法使用相应的膜电位的模型的重建的记录,并由两个主要组成部分。第一部分是一个基于秩的遗传算法(GA),它是用来找到模型的神经参数。第二种方法是最小均方方法,该方法通过最小化每个时间步长的计算和测量的膜电位之间的平方误差来计算所有互连神经元的突触权重。在准备重建的神经参数和突触的权重,从实际测量的膜电位,有前途的结果的基础上产生的随机参数化Izhikevich模型的模拟数据。该方法不仅收敛于神经元参数的全局最小值,而且能够高精度地逼近神经元的突触权值。
2016-08-22 cs.NE q-bio.NC
Mean-Field Models for Heterogeneous Networks of Two-Dimensional Integrate and Fire Models
我们解析推导出的所有到所有的异构,适应,二维集成和消防神经元耦合网络的平均场模型。我们考虑的模型类包括Izhikevich,自适应指数,四次集成和消防模型。参数的不均匀性导致不同的矩封闭假设,可以在推导的平均场模型从人口密度方程的大型网络。三种不同的矩闭合假设导致三种不同的平均场系统。这些系统可以用于不同的目的,如大型网络的分叉分析,稳态放电率分布的预测,实际神经元的参数估计,以及更快地探索参数空间。我们使用平均场系统来分析适应诱导的突发下的现实来源的异质性在多个参数。我们的分析表明,不均匀性的存在下,导致与突发的出现从亚临界到超临界的变化的Hopf分岔。这与生物合理的参数值的全网络的数值模拟证实。这种变化降低了适应的可接受性,这是海马CA3区爆发的原因,海马CA3区是一个拥有大量重耦合、强适应神经元的区域。
2013-09-19 q-bio.NC
One-Dimensional Population Density Approaches to Recurrently Coupled Networks of Neurons with Noise
平均场系统之前已经推导出耦合的,二维的,集成和消防神经元,如Izhikevich,适应指数(AdEx)和四次集成和消防(QIF),等等的网络。不幸的是,平均场系统具有一定程度的频率误差,并且当存在自适应时,所分析的网络通常不包括噪声。在这里,我们推导出一个一维偏微分方程(PDE)近似的边际电压密度下的一阶矩封闭的耦合网络的集成和消防神经元与白噪声输入。偏微分方程具有比平均场系统小得多的频率误差,并提供了大量的信息,在分析易处理的成本。阐明了平均场系统在低噪声极限下的收敛性质。本文还提出并实现了一种新的异步紧张性激发解的稳定性分析方法。与以前的尝试在稳定性分析与这些网络类型,适应变量的边际密度的信息被使用。这种方法原则上也适用于其它非线性偏微分方程组。
2014-11-09 math.DS q-bio.NC
Effect of Small-World Connectivity on Fast Sparsely Synchronized Cortical Rhythms
在大脑活动的电记录中,已经观察到了具有随机和间歇性神经放电的快速皮层节律。最近,Brunel等人开发了一个框架来描述这种快速稀疏同步在随机和全局耦合网络的阈上尖峰神经元。然而,在真实的皮层回路中,已知突触连接具有复杂的拓扑结构,其既不是规则的也不是随机的。因此,为了将Brunel等人的工作扩展到现实的神经网络,我们研究了网络结构对这些快速稀疏同步的节律的影响,这些节律是在阈上快速尖峰(FS)Izhikevich中间神经元的抑制性群体中产生的。我们首先采用传统的Erdös-Renyi随机图的阈上FS Izhikevich中间神经元的神经系统中的复杂连接建模,并研究出现的人口同步状态,通过改变突触抑制强度$J$和噪声强度$D$。因此,发现对于大的$J$和$D$值,出现相对高程度的快速稀疏同步状态。其次,对于固定值的$J$和$D$,其中快速稀疏同步发生在随机网络中,我们考虑了Watts-Strogatz小世界网络的阈上FS Izhikevich中间神经元,它通过重新布线插在规则格和随机图之间,并通过改变从短距离到长距离的重新布线概率$p$,研究小世界突触连接对快速稀疏同步节律出现的影响。范围连接。当通过一个小的临界值$p^*_c$ $(\simeq 0.12)$,快速稀疏同步的人口节奏被发现出现在小世界网络与主要的本地连接和罕见的远程连接。
2014-09-02 physics.bio-ph q-bio.NC
Multi-Objective Optimisation of Cortical Spiking Neural Networks With Genetic Algorithms
脉冲神经网络(SNN)通过神经元的全或无脉冲活动进行通信。然而,将大量的SNN模型参数拟合到观察到的神经活动模式,例如在生物实验中,仍然是一个挑战。以前的工作,使用遗传算法(GA)优化一个特定的高效SNN模型,使用Izhikevich神经元模型,仅限于一个单一的参数和目标。这项工作应用了一种称为非支配排序GA(NSGA-III)的GA版本,以证明对同一SNN执行多目标优化的可行性,重点是搜索网络连接参数,以实现兴奋性和抑制性神经元类型的目标放电率,包括不同的网络连接稀疏性。我们表明,NSGA-III可以很容易地优化各种射击率。值得注意的是,当兴奋性神经元的放电率高于或等于抑制性神经元的放电率时,误差较小。此外,当连接稀疏性被认为是一个参数进行优化,最佳的解决方案需要稀疏的网络连接。我们还发现,兴奋性神经元的放电率低于抑制性神经元,误差一般较大。总的来说,我们已经成功地证明了对经常性和稀疏SNN的网络参数实施多目标GA优化的可行性。
2021-05-14 cs.NE q-bio.NC
Topology-Dependent Emergence of Polychronous Neuronal Groups: A Recurrence-Plot Characterization
Complex Systems Modelling Graduate Program, School of Arts, Sciences and Humanities (EACH), University of São Paulo(圣保罗大学艺术与人文科学学院复杂系统建模研究生项目);Department of Physics, Faculty of Philosophy, Sciences and Letters of Ribeirão Preto (FFCLRP), University of São Paulo(圣保罗大学里贝朗普雷图哲学、科学与文学院物理系)
通过模拟Izhikevich神经元网络,发现聚类系数是多时序神经元群数量的主要结构驱动因素,小世界拓扑为最优结构,并引入递归图框架实现无标签识别。
2026-06-25 nlin.AO q-bio.NC
Stability and Bifurcation Analysis of Coupled Fitzhugh-Nagumo Oscillators
神经元是理解大脑如何工作的核心生物对象。著名的Hodgkin-Huxley模型描述了神经元动作电位的产生和传播,它由四个耦合的非线性微分方程组成。由于这些方程很难处理,也存在几个简化模型,其中许多表现出多项式样的非线性。这种模型的例子是Fitzhugh-Nagumo(FHN)模型、Hindmarsh-Rose(HR)模型、Morris-Lecar(ML)模型和Izhikevich模型。在这项工作中,我们首先规定的FHN模型的生物相关的参数范围,随后研究耦合的神经元的两个或三个节点的小网络的动力学行为。为了做到这一点,我们使用一个计算真正的代数几何方法称为判别品种(DV)的方法来执行这些小网络的稳定性和分岔分析。FHN模型的时间序列分析可以在其他相关工作中找到[15]。
2010-01-29 cs.SC nlin.CD q-bio.NC
Large Deviation Theory for Parameter Estimation in Simple Neuron Models
为了研究受到小的随机扰动的生物神经元的复杂动力学,我们可以使用随机神经元模型。虽然已经开发了许多技术来研究这些模型的特性,但(预期)首次通过时间或(E)FPT的分析仍然很困难。在这篇论文中,我应用大偏差理论(LDT),这是已经建立在物理学和金融学,以确定的问题的EFPT的均值回复的Ornstein-Uhlenbeck过程(EFPT)。该建模过程实例化了随机泄漏积分和激发模型,因此作为生物启发的数学神经元模型的一个例子。我得出了几个经典的结果,使用更简单的数学比原来的出版物从神经科学,我提供了一些可以想象的解释和观点,这些推导。利用这些结果,我探讨了一些可能的应用参数估计,我提供了一个额外的数学理由使用泊松过程作为一个小噪声近似的完整模型。最后,我进行了几个模拟来验证这些结果,并揭示了系统偏差的估计。
2017-07-14 q-bio.NC
Features and dimensions: Motion estimation in fly vision
我们的特点是在飞行视觉系统中的运动的计算作为一个映射从高维空间的信号在视网膜光电探测器阵列中的运动敏感神经元产生动作电位的概率。我们对这个问题的方法确定了一个低维的信号子空间,其中神经元是最敏感的,然后对这个子空间进行采样,以可视化映射的非线性结构。结果说明了预测的系统,使最佳的运动估计的物理噪声源的检测器阵列中的计算策略。更一般地说,神经元对输入的低维子空间敏感的假设形式化了特征选择性的直观概念,并提出了一种用于表征复杂的自然感觉输入的神经处理的策略。
2005-05-02 q-bio.NC
Neuronal functional connectivity graph estimation with the R package neurofuncon
本文介绍R包neurofuncon,基于Graphical lasso从大规模数据中计算并可视化神经元功能连接图,并在小鼠视觉皮层约10000个神经元的数据上演示其应用。
2024-02-08 q-bio.NC stat.CO
Estimation of neuronal interaction graph from spike train data
当前神经生物学的主要问题之一是了解多神经元集合之间的相关尖峰活动以及神经生理学实验中刺激驱动和自发活动之间的差异。现在普遍使用的多电极阵列记录以来自许多良好识别的神经元的脉冲序列的形式监测神经元活动。分析这些数据时的一个基本问题是识别描述神经元之间"突触耦合"的有向图。在这篇文章中,我们处理这个问题与高质量的多电极阵列记录数据集(Pouzat等人,2015年)从蝗虫的第一个嗅觉中继,$Schistocerca$ $americana$。从数学的角度来看,本文提出了两个新的。首先,我们提出了一个程序,允许处理实际数据集中遇到的小样本量。此外,我们解决部分观察网络的敏感情况。我们的出发点是Duarte et al.(2016)中介绍的程序。我们通过模拟研究,这也是用于参数调整和探索只记录一个小的子集的网络的神经元的影响,原始和改进的程序的性能进行评估。
2017-10-11 q-bio.NC stat.AP
Supervised Parameter Estimation of Neuron Populations from Multiple Firing Events
University of Pennsylvania(宾夕法尼亚大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
在数学模型中,生物神经元的放电动力学通常由模型的参数决定,这些参数代表了神经元的基本属性。参数估计问题试图从单个神经元或神经元群体对外部刺激的响应以及它们之间的相互作用中恢复这些参数。在文献中解决这个问题的最常见的方法使用一些机械模型结合基于模拟或基于解决方案的优化方案。在本文中,我们研究了一种自动学习的方法,神经元种群的参数从一个训练集组成的尖峰序列和参数标签对通过监督学习。与以前的工作不同,这种自动学习不需要在推理时进行额外的模拟,也不需要在推导解析解或构建近似模型时使用专家知识。我们模拟了许多神经元群体与不同的参数设置使用随机神经元模型。使用这些数据,我们训练了各种监督机器学习模型,包括卷积和深度神经网络、随机森林和支持向量回归。然后,我们将其性能与经典方法进行比较,包括遗传搜索,贝叶斯序贯估计和随机游走近似模型。监督模型在参数估计和锋电位重建误差以及计算量方面几乎总是优于经典方法。特别是卷积神经网络,在所有度量的所有模型中是最好的。监督模型也可以在一定程度上推广到分布外的数据。
2022-10-02 cs.LG cs.NE q-bio.NC
Connectivity estimation of high dimensional data recorded from neuronal cells
本论文的主要成果是发展了一种新的连通性估计方法,称为总尖峰概率边缘(TSPE)。基于互相关和边缘滤波在不同的时间尺度上提出了这种方法,并概述了理论框架,在这项工作中。TSPE能够通过使用记录的动作电位在抑制性连接和兴奋性连接之间进行分类。为了比较这种方法,学习最先进的算法来估计连通性是必要的。经过研究,有前途的算法被实施和评估,用于进一步的研究课题,其中包括在UAS Aschaffenburg的生物实验室。为了评估这些算法,使用Silico网络,因为它们已知的连通性。这使得它可以验证我们的算法结果的正确性。因此,首先需要一个具有生物学代表性的神经元网络模拟。以不同方式模拟和分析了数据集,以制定评价框架。在通过计算机网络进行成功评估后,体外实验及其分析完成了该项目。
2020-05-01 eess.SP q-bio.NC
The Neural Particle Filter
对动态变化特征(如猎物位置)的鲁棒估计是感知的标志之一。在抽象的算法层面上,非线性贝叶斯滤波,即基于观测历史对随时间变化的信号进行估计,为实时动态感知提供了数学框架。由于一般的非线性滤波问题在解析上是难以解决的,粒子滤波被认为是最强大的方法之一,以近似的解决方案。然而,这些算法主要依赖于重要性权重,因此大脑如何用神经元群体实现这样的推理策略仍然是一个未解决的问题。在这里,我们提出了神经粒子滤波器(NPF),一个无权重的粒子滤波器,可以被解释为一个循环连接的神经网络,从感觉神经元接收前馈输入的神经元动力学,并表示在样本的后验概率分布。具体而言,该算法弥合了在线状态估计的计算任务与允许大脑中的神经元网络执行非线性贝叶斯滤波的实现之间的差距。该模型不仅捕捉时间和多感官整合的属性,根据贝叶斯统计,但也允许在线学习的最大似然方法。从多传感器集成的一个例子,我们证明了该模型的数值性能是足够的过滤和识别问题。由于失重的方法,我们的算法消除了“维数灾难”,从而在有限数量的粒子的更高维度上优于传统的加权粒子滤波器。
2016-11-30 q-bio.NC
Dynamic State Estimation Based on Poisson Spike Trains: Towards a Theory of Optimal Encoding
神经系统中的神经元通过产生脉冲序列将信息传递到更高级的大脑区域。计算神经科学领域的一个重要问题是这些感觉神经元如何以一种可以被后续系统简单分析的方式编码环境信息。神经系统的形式和功能的许多方面已经使用最佳群体编码的概念来理解。然而,大多数研究都忽略了时间编码这一方面。在这里,我们解决这个缺点,通过非齐次泊松过程的过滤理论。我们推导出最优贝叶斯滤波器的最小均方误差的精确关系,并通过优化编码器,获得神经元群体的最优代码。我们还表明,一类非马尔可夫,光滑的刺激是服从相同的治疗,并提供结果的过滤和预测误差,持有一般类的随机过程。这为考虑时间因素的群体编码理论建立了一个健全的数学框架。它还正式的一些研究,讨论了时间方面的编码使用时间窗口的范例,说明他们的相关时间和发射率。我们建议,这种分析允许时间编码的系统研究,并将带来进一步的洞察神经代码的性质。
2012-09-25 q-bio.NC
Correcting model error bias in estimations of neuronal dynamics from time series observations
本文提出用循环神经网络校正代理 Hodgkin-Huxley 模型的误差,从膜电压时间序列中同时重建已观测和未观测的神经元动力学,并在六种架构中确定了最准确的混合模型。
2025-08-27 nlin.CD q-bio.NC
Single-trial estimation of stimulus and spike-history effects on time-varying ensemble spiking activity of multiple neurons: a simulation study
皮层神经回路中的神经元表现出协调的发放活动,并在行为和认知过程中产生相关的同步发放。我们最近开发了一种方法,通过结合同时神经元相互作用的模型(例如,自旋玻璃模型)与状态空间方法(Shimazaki等人,2012 PLoS Comput Biol 8 e1002385)。这种方法使我们能够估计刺激诱发的神经元相互作用的动力学,在相同的实验条件下,在重复的试验中是可重复的。然而,如果神经元动力学在试验中表现出显著的可变性,则该方法可能不适合于检测刺激响应。此外,先前的模型不包括神经元的过去尖峰活动对整体活动的当前状态的影响。在这项研究中,我们开发了一个参数化的方法,同时估计刺激和尖峰历史的影响,从单次试验数据的合奏活动,即使神经元表现出的动态,在很大程度上是无关的这些影响。为了这个目标,我们模型合奏神经元活动作为一个潜在的过程,包括刺激和尖峰历史的影响作为外源性输入的潜在过程。我们开发了一个期望最大化算法,同时实现估计的潜在过程,刺激反应,和尖峰历史的影响。所提出的方法是有用的内部皮层状态和感觉诱发活动的相互作用进行分析。
2013-12-16 cond-mat.stat-mech q-bio.NC stat.ML
A self-organizing state-space-model approach for parameter estimation in Hodgkin-Huxley-type models of single neurons
传统上,生物物理神经元和神经网络模型中的参数估计通常采用全局搜索算法,通常与局部搜索方法相结合,以最小化成本函数的值,该成本函数测量可用实验数据和模型输出的各种特征之间的差异。在这项研究中,我们从不同的角度探讨了基于电导的单神经元模型中的参数估计问题。通过采用一个隐藏的动力系统的形式主义,我们表示参数估计在这些系统中的推理问题,然后可以使用完善的统计推断方法来解决。我们使用的特定方法是北川的自组织状态空间模型,该模型应用于许多使用模拟或实际电生理数据的霍奇金-赫胥黎模型。我们表明,该算法可用于估计大量的参数,包括最大电导,反转电位,离子电流的动力学和测量噪声,基于低维的实验数据和足够的信息先验的形式的预定义的约束模型参数。即使使用非常嘈杂的实验数据时,该算法仍然可操作。重要的是,通过将自组织状态空间模型与类似于协方差矩阵自适应进化策略的自适应采样算法相结合,我们实现了参数估计方差的显着降低。该算法不需要明确制定成本函数,并且可以直接应用于房室模型和多个数据集。总的来说,所提出的方法是特别适合解决高维推理问题的基础上嘈杂的电生理数据,因此,在生物物理神经元模型的建设,一个潜在的有用的工具。
2011-10-29 q-bio.NC q-bio.QM
Neuro-PC: Causal Functional Connectivity from Neural Dynamics
功能性连接组是解剖学连接组的延伸,它根据神经元的活动和相互作用来捕捉神经元之间的关系。当这些关系是因果关系时,功能性连接体映射神经活动如何在神经回路内流动,并提供推断功能性神经通路(例如感觉-运动-行为通路)的可能性。虽然存在各种信息的方法来非因果估计的功能连接,方法的特点是因果功能连接-神经元时间序列之间的因果关系,是稀缺的。在这项工作中,我们开发了Neuro-PC算法,这是一种新的方法,用于从多维时间序列(如神经元记录)推断神经元之间的因果功能连接。我们的方法的核心依赖于PC算法,一个国家的最先进的统计因果推理的方法,神经动力学的多维时间序列的一种新的适应。我们验证的性能的网络模体的神经元之间的各种相互作用模拟使用连续时间的人工神经元网络的方法。然后,我们考虑应用该方法获得因果功能连接体的最近的多阵列电生理记录从小鼠视觉皮层在不同的刺激的存在下。我们展示了如何映射的功能可以用于量化不同刺激的神经反应之间的相似性。
2020-11-08 q-bio.NC
Estimation of neural connections from partially observed neural spikes
可塑性是神经系统最重要的特性之一,它使动物能够调整自己的行为以适应不断变化的外部环境。神经元之间突触效能的变化构成可塑性的主要机制之一。因此,神经连接的估计对于研究大脑中的信息处理至关重要。虽然许多分析方法已被提出用于此目的,他们中的大多数遭受一个或所有以下数学困难:(1)只有部分观察到的神经活动是可用的;(2)相关性可以包括直接和间接的伪相互作用;和(3)生物学证据表明,神经元通常只有一种类型的连接(兴奋或抑制)应予以考虑。为了克服这些困难,本文提出了一种新的概率框架估计神经连接的部分观察到的尖峰。首先,基于随机变量之和的性质,该方法估计未观测神经元对观测神经元的影响,只提取观测神经元之间的相关性。其次,伪相关和目标连接之间的关系是由神经传播以乘法的方式建模。第三,提出了一种新的信息理论框架来估计神经元类型。利用人工神经网络产生的锋电位数据对该方法进行了验证。此外,它还应用于从大鼠海马CA 1区记录的多单元数据。结果证实,我们的估计与以前的报告一致。这些研究结果表明,该方法是有用的神经信号以及在其他多探测点过程数据中提取关键的相互作用。
2018-01-21 q-bio.NC q-bio.QM
Sequential estimation of intrinsic activity and synaptic input in single neurons by particle filtering with optimal importance density
本文讨论的问题推断的信号和参数,导致神经活动发生。最终的挑战是揭示大脑的连接性,在这里,我们专注于问题的微观视角,其中单个神经元(可能连接到对等网络)是我们研究的核心。唯一可用的观察是从细胞内记录获得的噪声采样电压迹线。我们设计的算法和推理方法,使用随机滤波提供的工具,允许概率的解释和处理的问题。使用粒子滤波,我们能够重建电压的痕迹,并估计辅助变量的时间过程。通过扩展算法,通过PMCMC方法,我们也能够估计隐藏的生理参数,如固有电导或反转电位。最后,但并非最不重要的是,该方法被应用于估计到达靶细胞的突触电导,从而重建突触兴奋/抑制输入轨迹。值得注意的是,这些估计有一个边界实现性能,即使在扣球制度。
2015-11-12 q-bio.NC stat.CO stat.ME
Dynamic Parameter Estimation of Brain Mechanisms
揭开神经元群体之间的有效连接已经成为理解帕金森病,精神分裂症,轻度创伤性脑损伤和许多其他未列出的神经系统疾病的大脑机制的趋势。动态建模是一种最先进的方法,以探索不同的电生理反应对应的神经元群体之间的各种连接。通过估计动态模型中的参数,包括电生理信号的强度和传播延迟,发现潜在的连接性可以导致功能性脑机制的阐明。在这份报告中,我们调查了六个动态模型,描述了一个单一的神经元/亚神经元群体的内在功能和三个有效的网络估计方法,可以跟踪神经元/亚神经元群体之间的连接。六种动态模型是事件相关电位、局部场电位、基于电导的神经质量模型、平均场模型、神经场模型和规范微电路;三种有效的网络估计方法是动态因果模型、结构因果模型和向量自回归。随后,我们讨论了动态参数估计方法,包括变分贝叶斯,粒子滤波,Metropolis-Hastings算法,Gauss-Newton算法,配置方法和约束优化。总结了各种模型、网络估计方法和参数估计方法的优缺点。此外,我们展示了一个示例性的有效的网络估计问题的声明。最后,我们确定了未来可能的工作和挑战,以制定一个更高的一揽子计划。
2019-09-26 cs.CE math.DS q-bio.NC
System Identification of a Multi-timescale Adaptive Threshold Neuronal Model
Department of Electrical Engineering and Computer Science, University of Central Florida(电气工程和计算机科学系,中佛罗里达大学);NanoScience Technology Center, University of Central Florida(纳米科学技术中心,中佛罗里达大学)
本文研究了多时间尺度自适应阈值神经元模型的参数估计问题,通过系统动态操控,将阈值电压建模为线性参数模型,利用预测误差框架识别阈值参数以精确预测单个神经元放电时间。
2018-02-23 cs.SY eess.SY q-bio.NC
Rotationally-invariant mapping of scalar and orientational metrics of neuronal microstructure with diffusion MRI
我们开发了一个通用的分析和数值框架,估计内和外神经突水分数和扩散系数,以及神经突取向分散,在每个成像体素。通过采用一组旋转不变量及其在扩散加权的幂中的扩展,我们分析地揭示了参数估计景观的非平凡拓扑,表明参数的多个分支几乎同样好地描述了测量,其中只有一个对应于生物物理现实。一个全面的采集表明,分支的选择在整个大脑中是不同的。我们的框架揭示了神经元组织MRI参数估计中隐藏的退化,提供了无约束或先验的全脑微结构和方向图,并将现代生物物理建模与临床MRI连接起来。
2018-04-06 physics.bio-ph physics.med-ph q-bio.NC
The role of noise modeling in the estimation of resting-state brain effective connectivity
University of Padova(帕多瓦大学)
本文研究了静息态fMRI数据中有效连接性估计中噪声建模对网络估计质量的影响,探讨了内源性波动对神经活动建模的方法。
2018-02-13 cs.SY eess.SY q-bio.NC
Feedback Identification of conductance-based models
本文将经典预测误差法应用于受噪声影响的神经元非线性离散时间模型估计,利用基于电导模型指数收缩逆动力学的性质,证明了输出反馈下参数估计的一致性,为非线性系统辨识在随机神经元系统中的应用提供了严格框架。
2020-12-16 cs.SY eess.SY q-bio.NC
Tracking Fast Neural Adaptation by Globally Adaptive Point Process Estimation for Brain-Machine Interface
脑机接口(BMI)通过将神经活动转换为数字命令来控制外部设备,从而帮助残疾人恢复身体功能。神经适应,即大脑信号响应外部刺激或运动而变化,在BMI中起着重要作用。当受试者纯粹使用神经活动来脑控制假肢时,一些神经元会主动探索新的调谐特性来完成运动任务。对这种神经调谐特性的预测可以帮助受试者更有效地适应大脑控制并保持良好的解码性能。现有的预测方法在手动控制中跟踪调谐特性的缓慢变化,这不适合于大脑控制中的快速神经适应。为了识别大脑控制中的活动神经元并跟踪其调谐特性的变化,提出了一种全局自适应点过程方法(GaPP),从锋电位序列中估计神经元的调制状态,将其分解为超优先方向,并在双模型框架下重建运动学.我们实现的方法从大鼠执行手动控制和大脑控制下的两个杠杆的歧视任务的真实数据。结果表明,我们的方法成功地预测了神经调制状态,并确定了在大脑控制中变得活跃的神经元。与现有的方法相比,我们的跟踪超首选方向从手动控制到大脑控制的快速变化更准确,更有效,更好,更快地重建运动学。
2021-07-27 eess.SP q-bio.NC
Estimations by stable motions and applications
本文提出了一种当基础数据具有大方差或无穷大方差时置信区间的非参数参数估计。我们解释了一个简单的数值例子的方法,并提供了一个应用程序来估计神经网络中的耦合强度。
2022-04-24 math.PR math.ST q-bio.NC
Online neural connectivity estimation with ensemble stimulation
Duke University(杜克大学)
系统神经科学的主要目标之一是将神经回路的结构与它们的功能联系起来,然而当记录行为生物体中的大种群时,很难建立连接模式。许多以前的方法都试图使用观测数据的统计建模来估计神经元之间的功能连接,但这些方法严重依赖于参数假设,并且纯粹是相关的。然而,最近,全息光刺激技术使精确定位选定的神经元集合成为可能,提供了建立直接因果联系的可能性。在这里,我们提出了一种基于噪声组测试的方法,该方法大大提高了稀疏网络中此过程的效率。通过刺激神经元的小集合,我们表明,有可能恢复二值化的网络连接与一些测试,只有在最小的统计假设下,人口规模的增长与几何。此外,我们证明了我们的方法,这减少到一个有效的可解凸优化问题,可以与变分贝叶斯推断的二进制连接权重,我们得到严格的后边缘的界限。这使我们能够将我们的方法扩展到流式设置,其中连续更新的后验子允许可选的停止,并且我们证明了在线推断多达数万个神经元的网络连接的可行性。最后,我们展示了我们的工作如何在理论上与压缩感知方法联系起来,并比较了不同设置下的连接性推断结果。
2020-12-07 cs.LG q-bio.NC stat.ML
Adaptive observers for biophysical neuronal circuits
本文提出一种用于神经元电路非线性系统的自适应观测器,通过递归最小二乘法及增强设计实现状态与参数的在线估计,并基于收缩理论分析了其收敛性与鲁棒性。
2023-06-28 cs.SY eess.SY q-bio.NC
A Bayesian approach for inferring neuronal connectivity from calcium fluorescent imaging data
推导神经回路的结构是现代神经科学的核心问题之一。最近引入的钙荧光成像方法允许实验者观察大量神经元中的网络活动,但这些技术仅提供对神经尖峰序列的间接观察,具有有限的时间分辨率和信号质量。在这项工作中,我们提出了一种贝叶斯方法,用于在给定此类成像数据的情况下推断神经电路。我们的网络活动的耦合隐藏的马尔可夫链的集合建模,每个链对应于一个单一的神经元在网络和链之间的耦合反映网络的连接矩阵。我们推导出一个蒙特卡罗期望最大化算法拟合模型参数,以获得充分统计量在计算效率的方式,我们引入了一个专门的块吉布斯算法采样从所有观察到的神经元的联合活动所观察到的荧光数据。我们进行大规模的随机连接的神经元网络与生物物理现实的参数模拟,并发现所提出的方法可以准确地推断出这些网络的连接给出合理的实验和计算约束。另外,通过标准L $_1$惩罚方法,通过结合关于网络中的连接性的稀疏性的先验知识,可以显著地提高估计准确度。
2011-07-21 q-bio.NC stat.AP
Statistical Inference of Functional Connectivity in Neuronal Networks using Frequent Episodes
从多神经元数据流中识别大脑活动的时空网络结构是神经科学中最大的挑战之一。在一组神经元中重复精确定时的活动模式可能表明底层神经组织中存在微电路。频繁发作发现,一个时间数据挖掘框架,最近已被证明是一个计算效率高的方法,计数出现这样的模式。在本文中,我们提出了一个框架,以确定当计数是统计上显着的建模计数过程。我们的模型允许直接估计神经元之间功能连接的强度,并且比之前发布的方法具有更高的分辨率。它还可以用来根据神经元网络的强度对在神经元网络中发现的模式进行排名,并开始重建产生尖峰数据的网络的图形结构。我们验证了我们的方法模拟数据和目前的分析模式中发现的数据培养的皮层神经元。
2009-02-22 cond-mat.dis-nn cs.DB q-bio.NC