张英卓;诺亚·马利姆·西尼茨基;斯蒂芬·奥尔索普（Stephen A.Allsop）。;凯·M·泰。;巴、德姆巴 从二进制观测值估计可分离的马尔可夫随机场。 （英语） Zbl 1472.92049 神经计算。 30，第4期，1046-1079（2018）. 小结：神经科学的一个基本问题是描述神经元在学习刺激或偶然事件的电路中的放电动力学。当前分析神经尖峰数据的方法的一个关键局限性是需要随着时间或试验破坏神经活动，这可能导致与理解神经元或电路功能相关的信息丢失。我们引入了一种新的方法，该方法不仅可以确定伴随神经元学习偶然事件的试验-试验动力学，还可以确定这种学习相对于条件刺激开始的潜伏期。该方法的核心是神经棘波光栅的可分离二维（2D）随机场（RF）模型，其中神经元随时间和试验的联合条件强度函数取决于两个独立但并行进化的潜在马尔可夫状态序列。评估状态空间模型的经典工具不能轻易应用于我们的二维可分离RF模型。我们开发了有效的统计和计算工具来估计可分离的2D RF模型的参数。在一项旨在描述小鼠恐惧联想学习的神经基础的实验中，我们将这些数据应用于从前额叶皮层神经元收集的数据。总的来说，可分离的2D RF模型提供了伴随偶然事件学习的神经脉冲动力学的详细、可解释的特征。 引用于1文件 MSC公司： 92B20型 生物研究、人工生命和相关主题中的神经网络 关键词：神经棘波光栅的二维随机场模型;电路中的神经尖峰动力学;前额叶皮层 PDF格式BibTeX公司 XML格式引用 \textit{Y.Zhang}等人，神经计算。30，编号4，1046-1079（2018；兹bl 1472.92049） 全文： 内政部 arXiv公司 链接 参考文献： [1] Allsop，S.A.、Vander Weele，C.M.、Wichmann，R.和Tye，K.M.（2014）。关于焦虑相关行为与社会缺陷之间关系的视觉生成见解。行为神经科学前沿，8241， [2] Allsop，S.A.、Wichmann，R.、Mills，F.、Felix-Ortiz，A.C.、Viennel，A.、Beyeler，A.…Tye，K.M.（2017）。观察学习需要皮质-杏仁核传递社会衍生信息。提交出版的手稿。 [3] Andrews，D.F.和Mallows，C.L.（1974年）。按比例混合正态分布。英国皇家统计学会杂志，B辑（方法学），36，99-102·Zbl 0282.62017号 [4] Besag，J.（1974年）。晶格系统的空间相互作用和统计分析。英国皇家统计学会杂志，B辑（方法学），36192-236·Zbl 0327.60067号 [5] Casella，G.（2001）。经验贝叶斯-吉布斯抽样。生物统计学，2（4），485-500·Zbl 1097.62505号 [6] Casella，G.和George，E.I.（1992年）。解释吉布斯采样器。美国统计学家，46（3），167-174， [7] Choi，H.M.和Hobert，J.P.（2013）。贝叶斯逻辑回归的聚γ吉布斯采样器是一致遍历的。《电子统计杂志》，7，2054-2064·Zbl 1349.60123号 [8] 肖邦，N.、雅各布，P.E.和帕帕斯皮利奥普洛斯，O.（2013）。Smc2：一种用于状态空间模型序列分析的有效算法。英国皇家统计学会杂志：B辑（统计方法），75（3），397-426·Zbl 1411.62242号 [9] Czanner，G.、Eden，U.T.、Wirth，S.、Yanike，M.、Suzuki，W.A.和Brown，E.N.（2008）。试验间和试验内神经尖峰放电动力学分析。神经生理学杂志。，99(5), 2672-2693. , [10] Dempster，A.P.、Laird，N.M.和Rubin，D.B.（1977年）。通过EM算法从不完整数据中获得最大似然。英国皇家统计学会杂志，B辑（方法学），39，1-38·Zbl 0364.62022号 [11] Frühwirth Schnatter，S.（1994年）。数据增强和动态线性模型。时间序列分析杂志，15（2），183-202·Zbl 0815.62065号 [12] Polson，N.G.、Scott，J.G.和Windle，J.（2013）。使用Pólya-Gamma潜在变量的逻辑模型贝叶斯推断。美国统计协会杂志，108（504），1339-1349·Zbl 1283.62055号 [13] Rad，K.R.和Paninski，L.（2010年）。通过高斯过程方法对二维发射率曲面进行有效的自适应估计。《网络：神经系统中的计算》，21（3-4），142-168。 [14] Scott，J.和Pillow，J.W.（2012）。负向肿瘤峰值神经模型的完全贝叶斯推断。F.Pereira、C.J.C.Burges、L.Bottou和K.Q.Weinberger（编辑），《神经信息处理系统的进展》，25（第1898-1906页）。纽约州红钩市：Curran。 [15] Smith，A.C.和Brown，E.N.（2003）。从点过程观测值估计状态空间模型。神经计算，15（5），965-991·Zbl 1085.68651号 [16] Truccolo，W.、Eden，U.T.、Fellows，M.R.、Donoghue，J.P.和Brown，E.N.（2005）。一个点过程框架，用于将神经尖峰活动与尖峰历史、神经集成和外部协变量效应联系起来。神经生理学杂志。，93, 1074-1089. , [17] Wirth，S.、Yanike，M.、Frank，L.M.、Smith，A.C.、Brown，E.N.和Suzuki，W.A.（2003）。猴子海马体中的单个神经元与学习新的联系。科学，300（5625），1578-1581， [18] Yuan，K.、Girolma，M.和Niranjan，M.（2012）。点过程观测状态空间模型的马尔可夫链蒙特卡罗方法。神经计算，24（6），1462-1486， [19] Zammit-Mangion，A.、Sanguinetti，G.和Kadirkamanathan，V.（2012年）。基于连续观测和点过程观测的时空系统变分估计。IEEE信号处理汇刊，7（60），3449-3459·兹比尔1391.62186 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。