神经解码的局部拟合优度指标
Local goodness-of-fit measures for neural decoding
预印本 · 尚未经过同行评审
状态空间模型常用于把神经活动与不可直接观察的内部状态联系起来,但交叉验证只能给出整段记录的整体拟合,无法指出何时拟合差。作者提出局部拟合优度指标,比较每个脉冲指向的状态范围与基于此前全部脉冲的预测,并在模型误差已知的模拟中与标准库尔贝克-莱布勒散度对比。随后用于大鼠执行空间觅食任务时的海马记录,连续运动模型在静止期被标出更多不一致脉冲,允许位置跳跃的模型则大幅减少这些标记。
提出逐脉冲的局部拟合优度指标,用模拟和大鼠海马空间觅食记录检验,能标出连续运动模型在静止期失配的脉冲。
状态空间模型被广泛用于将神经活动与无法直接观测的内部状态关联起来,但评估某个给定模型是否适合某个数据集仍然困难。当前的方法,如交叉验证,是在整个记录上对模型拟合进行汇总。它们可以揭示模型并不完美,但无法指出在记录过程中何时拟合较差。因此,我们缺乏用于针对性模型改进的工具。在此,我们开发了局部拟合优度度量,用于检验每个锋电位是否与模型基于所有先前锋电位所作出的预测相一致。每个锋电位通过发放该锋电位的神经元的调谐,指向一个可能的状态范围,正如预测所做的那样。一个收窄了宽泛预测的锋电位与该预测一致;而一个指向预测认为不太可能的状态的锋电位则不一致。由于这种比较只需要预测以及每个锋电位所指向的状态,它也适用于从未分类锋电位波形进行解码的模型。利用模型误差已知的模拟,我们表明两种一致性度量——基于高概率区域的重叠和基于预测检验——能够标记出这类不一致的锋电位,而标准的 Kullback-Leibler 散度还会标记出仅仅收窄了宽泛预测的锋电位。随后,我们将这些度量应用于一只执行空间觅食任务的大鼠的海马记录。在这些数据中,假设连续运动的模型预期会在不动期失效,此时海马表征可以跳转到远处位置,因此我们将其与一个也允许此类跳转的模型进行比较。正如预期,在连续模型下,重叠度量在不动期标记出的锋电位多于运动期,而允许跳转则消除了连续模型的大部分标记。因此,这些一致性度量显示了状态空间模型在记录过程中何时拟合较差,为其针对性改进提供了工具。
中文由 AI 翻译,仅供参考,以原文为准。
来源:bioRxiv · Neuroscience · biorxiv.org