SPIRE：扰动下连续多区域局部场电位的共享-私有表征学习
SPIRE: Shared-Private Representation Learning for Continuous Multi-Region LFP under Perturbation
预印本 · 尚未经过同行评审
从连续多区域局部场电位中同时提取共享和区域特异表征，受信号非线性、自相关和时间错位限制。作者提出 SPIRE 框架，用区域专属序列编码器、受限时间对齐、仅共享重构和方差正则化进行分解，先在已知真实因子的合成基准上检验，再用于留出的人类 GPi-STN 局部场电位记录，并把在未刺激记录上训练的表征用于脑深部电刺激数据。结果显示刺激条件在共享表征中编码更强，匹配的对比模型复现了共享优于私有的效应但保留的刺激信息明显更少。
从连续的多区域局部场电位（LFP）中学习共享表征与区域特异性表征具有挑战性，因为神经信号是非线性的、自相关的、具有频谱结构，并且在时间上未对齐。我们提出 SPIRE（Shared-Private Inter-Regional Encoder，共享-私有区域间编码器），这是一个非线性、时间分辨的框架，它利用区域特异性序列编码器、受约束的时间对齐、仅共享重构和方差正则化，将多区域 LFP 分离为共享的与区域特异性的潜在轨迹。在具有已知真实生成因子的合成基准上，尽管存在非线性混合、时变延迟和频谱混杂，SPIRE 仍能优先恢复共享信息和私有信息。在留出的人类 GPi-STN LFP 上，共享表征能强有力地预测各区域的活动，而由私有表征进行的跨区域预测仍接近结构化的时间零模型，这支持功能性分离而非严格的统计分离。随后，我们将基于刺激关闭 recordings 训练的表征应用于脑深部电刺激（DBS）数据。刺激在共享表征中引起更大的变化，并更强地编码刺激条件，而在私有表征中则较弱。匹配的 CTAE 分析重现了共享优于私有的效应，同时保留的刺激信息显著更少。这些发现表明，DBS 相关的变化优先表达于跨记录区域共享的神经表征中。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Signal Processing · arxiv.org