神经脉冲串的普适统计行为

PySpike -用于分析spike训练同步的Python库

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。

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。

协和和弦与不协和和弦的尖峰训练统计

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。

神经峰电位序列的潜变量动力学Ising模型

Latent kinetic Ising models of neural spike trains

针对神经峰电位序列推断，提出潜变量动力学Ising模型SpiKIsing，分离集体网络动力学与单神经元历史效应，通过变分EM算法联合推断，在合成及漏积分发放网络数据上验证了连接恢复与神经元分类能力。

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。

具有化学和电突触的基于电导的Integrate-and-Fire神经网络的动力学和尖峰序列统计

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。

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。

Spike训练统计和Gibbs分布

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。

基于电导的神经网络中尖峰脉冲序列的统计：严格的结果

Statistics of spike trains in conductance-based neural networks: Rigorous results

我们考虑一个基于电导的神经网络的启发，由鲁道夫和Destexhe介绍的广义积分和消防模型。我们证明了一个独特的吉布斯分布特征穗训练统计的存在性和唯一性。相应的吉布斯势显式计算。这些结果保持在一个依赖于时间的刺激的存在下，因此适用于非平稳动力学。

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。

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…

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。

关于分组脉冲序列的数学结果

On the mathematical consequences of binning spike trains

我们开始一个隐藏的影响所引起的分仓脉冲序列的神经元的数学分析。假设原始的脉冲序列是由一个离散的马尔可夫过程产生的，我们表明，binning产生的随机过程，这是不是马尔可夫任何更多的，而是一个可变长度的马尔可夫链（VLMC）与无限的内存。我们还表明，法律的分箱光栅是吉布斯措施在DLR（Dobrushin-Lanford-Ruelle）意义上创造的数学统计力学。这允许推导出几个重要的后果上的统计性质的分箱脉冲序列。特别是，我们引入DLR框架作为一个自然的设置，以数学形式化的预期，即告诉“如何好”我们的神经系统是在作出预测。在概率意义上，这对应于条件的过程中，其未来，我们将讨论如何装箱可能会影响我们的结论，这种能力。最后，我们评论什么可能是在检测虚假相变或在检测错误的证据的临界分仓的后果。

Distortion Distribution of Neural Spike Train Sequence Matching with Optogenetics

This paper uses a simple optogenetic model to compare the timing distortion between a randomly-generated target spike sequence and an externally-stimulated neuron spike sequence. Optogenetics is an emerging field of neuroscience where neurons are genetically modified to express light-sensitive receptors that enable external control over when the neurons fire. Given the prominence of neuronal signaling within the brain and throughout the body, optogenetics has significant potential to improve the understanding of the nervous system and to develop treatments for neurological diseases. This paper…

神经脉冲序列匹配的均方根误差与光遗传学

Root Mean Square Error of Neural Spike Train Sequence Matching with Optogenetics

光遗传学是神经科学的一个新兴领域，其中神经元被遗传修饰以表达光敏受体，从而能够在神经元放电时进行外部控制。鉴于神经元信号在大脑和整个身体中的突出性，光遗传学在提高对神经系统的理解和开发神经系统疾病的治疗方面具有显著的潜力。本文利用一个简单的光遗传学模型，比较了随机产生的目标发放序列和外部刺激的神经元发放序列之间的时序失真。通过对每个序列进行滤波并找到两个滤波器输出之间的均方根误差来测量失真。当目标序列生成速率足够低时，以封闭形式导出期望失真。推导通过模拟验证。

“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

Spike Train Cumulants for Linear-Nonlinear Poisson Cascade Models

Spiking activity in cortical networks is nonlinear in nature. The linear-nonlinear cascade model, some versions of which are also known as point-process generalized linear model, can efficiently capture the nonlinear dynamics exhibited by such networks. Of particular interest in such models are theoretical predictions of spike train statistics. However, due to the moment-closure problem, approximations are inevitable. We suggest here a series expansion that explains how higher-order moments couple to lower-order ones. Our approach makes predictions in terms of certain integrals, the so-called …

测量多个脉冲序列同步性

Measuring multiple spike train synchrony

多个脉冲序列同步的措施是必不可少的，以研究问题，如尖峰定时的可靠性，网络同步，神经元编码。这些测量可以大致分为多变量测量和双变量测量的平均值。最新的双变量方法之一，ISI距离，采用瞬时峰间期的比率。在这项研究中，我们提出了两个扩展的ISI距离，直接平均的二元ISI距离和多元ISI多样性的变异系数的基础上。像原来的措施，这些扩展结合了许多理想的应用程序中的真实数据的属性。特别是，他们是参数自由，时间尺度独立，易于可视化的时间分辨的方式，我们说明了在体外记录从皮层神经元。使用模拟网络的Hindemash-Rose神经元作为一个控制配置，我们比较我们的方法在区分不同级别的多神经元脉冲序列同步的性能，其他六个先前公布的措施。我们展示并解释了为什么平均二元度量比多元度量表现得更好，以及为什么多元ISI多样性是多元方法中表现最好的。最后，在与依赖于移动窗口估计的标准方法的比较中，我们使用单单位猴子数据来证明我们的方法的瞬时性质的优点。