钱存勒;孙旭云;张少敏;邢、董;李洪宝;郑晓祥;潘，刚;王毅文 使用分段点过程模型对神经交互作用进行非线性建模，以进行尖峰预测。 （英语） Zbl 1472.92039号 神经计算。 30，第12号，3189-3226（2018）. 摘要：神经元通过棘突活动进行非线性交流。广义线性模型（GLM）通过输入的线性组合级联、静态非线性函数、非均匀贝努利过程或泊松过程或考克斯过程（如果考虑自历史项）来描述尖峰活动。这种结构考虑了尖峰产生中的输出非线性，但不包括输入神经元之间的非线性相互作用。最近的研究扩展了GLM，使用二次函数对输入神经元之间的相互作用进行建模，该函数考虑了每对输入尖峰之间的相互影响。然而，二次效应可能无法完全捕获输入交互的非线性性质。因此，我们根据人工神经网络的思想，提出了一个分阶段的点过程模型，用几个隐藏单元来描述输入之间的非线性交互。以输入为条件的输出射击概率由两个线性-非线性（线性组合加静态非线性函数）阶段和非均匀伯努利过程级联而成。该模型的参数是通过最大化输出尖峰序列的对数似然来估计的。与GLM中使用的迭代重加权最小二乘算法不同，该算法的性能由凹面条件保证，我们提出了一种改进的Levenberg-Marquardt（L-M）算法，该算法直接计算对数似然的Hessian矩阵，用于我们模型中的非线性优化。所提出的模型在执行中心向外任务的猴子的背侧前运动皮层和初级运动皮层记录的合成数据和真实棘突训练数据上进行了测试。性能通过离散时间重标Kolmogorov-Smirnov检验进行评估，其中我们的模型在统计上优于GLM及其二次扩展，预测结果中具有更高的精度。此外，分段点过程模型用比二次模型少的参数描述输入神经元之间的非线性相互作用，改进的L-M算法也显示出快速收敛性。 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 92立方厘米20 神经生物学 60G55型 点过程（例如，泊松、考克斯、霍克斯过程） 关键词：神经元通讯;峰值预测;广义线性模型;点过程 软件：PRMLT公司;ElemStatLearn（电子状态学习） PDF格式BibTeX公司 XML格式引用 \textit{C.Qian}等人，《神经计算》。30，第12号，3189--3226（2018；Zbl 1472.92039） 全文： 内政部 参考文献： [1] Abramovich，F.和Ritov，Y.（2013年）。统计理论：简要介绍。佛罗里达州博卡拉顿：CRC出版社·Zbl 1272.62001 [2] Ahrens，M.B.、Paninski，L.和Sahani，M.（2008）。在神经编码模型中推断输入非线性。网络：神经系统计算，19（1），35-67， [3] Alataris，K.、Berger，T.和Marmarelis，V.（2000）。一种用于具有任意点过程输入的神经系统非线性建模的新型网络。神经网络，13（2），255-266， [4] Andersen，E.B.（1970年）。离散样本空间的充分性和指数族。美国统计协会杂志，65（331），1248-1255·Zbl 0224.62003号 [5] Andersen，P.、Morris，R.、Amaral，D.、Bliss，T.和O'Keefe，J.（2007）。海马体书籍。纽约：牛津大学出版社。 [6] Benjamin，A.S.、Fernandes，H.L.、Tomlinson，T.、Ramkumar，P.、VerSteeg，C.、Miller，L.和Kording，K.P.（2017）。现代机器学习在预测峰值方面远远优于GLM。生物Rxiv：111450。 [7] Berger，T.W.、Ahuja，A.、Courellis，S.H.、Deadwyler，S.A.、Erinjippurath，G.、Gerhardt，G.A.、…Wills，J.（2005）。恢复失去的认知功能。IEEE医学与生物工程杂志，24（5），30-44， [8] Berger，T.W.，Song，D.，Chan，R.H.，Marmarelis，V.Z.，LaCoss，J.，Wills，J.…Granacki，J.J.（2012）。海马认知假体：多输入、多输出非线性建模和超大规模集成电路实现。IEEE神经系统与康复工程汇刊，20（2），198-211， [9] Bishop，C.M.（1995年）。用于模式识别的神经网络。纽约：牛津大学出版社。 [10] Bishop，C.M.（2006年）。模式识别和机器学习。柏林：斯普林格·Zbl 1107.68072号 [11] Boyd，S.和Vandenberghe，L.（2004）。凸优化。剑桥：剑桥大学出版社·兹比尔1058.90049 [12] Brillinger，D.R.（1988）。相互作用神经细胞棘波序列的最大似然分析。生物控制论，59（3），189-200·Zbl 0646.92007号 [13] Brown，E.N.、Barbieri，R.、Ventura，V.、Kass，R.E.和Frank，L.M.（2002）。时间尺度定理及其在神经尖峰序列数据分析中的应用。神经计算，14（2），325·Zbl 0989.62060号 [14] Brown，E.N.、Frank，L.M.、Tang，D.、Quirk，M.C.和Wilson，M.A.（1998年）。神经棘波序列解码的统计范式应用于大鼠海马位置细胞的整体放电模式的位置预测。神经科学杂志，18（18），7411-7425， [15] Brown，E.N.、Kass，R.E.和Mitra，P.P.（2004）。多神经棘波训练数据分析：现状和未来挑战。《自然神经科学》，7（5），456， [16] Bryant，H.L.和Segundo，J.P.（1976年）。跨膜电流引起的尖峰放电：白噪声分析。生理学杂志，260（2），279-314， [17] Calabrese，A.、Schumacher，J.W.、Schneider，D.M.、Paninski，L.和Woolley，S.M.（2011年）。一种广义线性模型，用于根据对自然声音的响应估计光谱时间感受野。公共科学图书馆一期，6（1），e16104， [18] Chichilnisky，E.（2001年）。神经元光反应的简单白噪声分析。网络：神经系统中的计算，12（2），199-213·兹比尔0969.92007 [19] Cybenko，G.（1989）。通过sigmoid函数的叠加进行逼近。控制、信号和系统数学，2（4），303-314·Zbl 0679.94019号 [20] De Boer，E.和Kuyper，P.（1968年）。触发的相关性。IEEE生物医学工程学报，3，169-179， [21] de Ruyter van Stevenick，R.和Bialek，W.（1988）。苍蝇视觉系统中运动敏感神经元的实时性能：短棘序列中的编码和信息传输。伦敦皇家学会会刊B：生物科学，234（1277），379-414， [22] Eggermont，J.、Johannesma，P.和Aertsen，A.（1983年）。听觉研究中的反向相关方法。生物物理学季刊，16（3），341-414， [23] Eldawlatly，S.、Jin，R.和Oweiss，K.G.（2009年）。识别大规模神经集成记录中的功能连通性：一种多尺度数据挖掘方法。神经计算，21（2），450-477·Zbl 1178.68407号 [24] Ergun，A.、Barbieri，R.、Eden，U.T.、Wilson，M.A.和Brown，E.N.（2007年）。使用顺序蒙特卡罗方法构建神经系统的点过程自适应滤波算法。IEEE生物医学工程学报，54（3），419-428， [25] Fitzgerald，J.D.、Rowekamp，R.J.、Sincich，L.C.和Sharpee，T.O.（2011）。使用最小和最大互信息模型进行二阶降维。《公共科学图书馆·计算生物学》，7（10），e1002249， [26] Geng，K.和Marmarelis，V.Z.（2017）。非线性动态系统建模的递归Laguerre-Volterra网络方法。IEEE神经网络和学习系统汇刊，28（9），2196-2208。 [27] Geng，K.，Shin，D.C.，Song，D.，Hampson，R.E.，Deadwyler，S.A.，Berger，T.W.，&Marmarelis，V.Z.（2018年）。海马CA3-CA1区关键神经元连接和信号转换的基于机械和输入-输出建模。神经计算，30（1），149-183·Zbl 1472.92015年 [28] Gerstner，W.和Kistler，W.M.（2002）。尖峰神经元模型：单个神经元，种群，可塑性。剑桥：剑桥大学出版社·Zbl 1100.92501号 [29] Guggenmos，D.J.、Azin，M.、Barbay，S.、Mahnken，J.D.、Dunham，C.、Mohseni，P.和Nudo，R.J.（2013）。使用神经假体恢复脑损伤后的功能。《美国国家科学院院刊》，110（52），21177-21182， [30] Hagan，M.T.和Menhaj，M.B.（1994年）。用Marquardt算法训练前馈网络。IEEE神经网络汇刊，5（6），989-993， [31] Hampson，R.E.、Gerhardt，G.A.、Marmarelis，V.、Song，D.、Opris，I.、Santos，L.…Deadwyler，S.A.（2012）。利用微柱特异性神经放电的神经假体促进和恢复灵长类动物前额叶皮层的认知功能。神经工程杂志，9（5），056012， [32] Haslinger，R.、Pipa，G.和Brown，E.（2010年）。离散时间缩放定理：确定神经尖峰离散时间统计模型的拟合优度。神经计算，22（10），2477-2506·Zbl 1201.62128号 [33] Hastie，T.、Friedman，J.和Tibshirani，R.（2013）。统计学习的要素：数据挖掘、推理和预测。柏林：斯普林格·Zbl 0973.62007号 [34] Holland，P.W.和Welsch，R.E.（1977年）。使用迭代重加权最小二乘的稳健回归。统计学中的通信——理论与方法，6（9），813-827·Zbl 0376.62035号 [35] Horwitz，G.D.、Chichilnisky，E.和Albright，T.D.（2005）。在猕猴V1中，蓝光信号通过时空亮度对比度增强。神经生理学杂志，93（4），2263-2278， [36] Kelly，R.、Smith，M.、Kass，R.和Lee，T.S.（2010年）。使用L1正则化点过程模型解释神经元反应中的网络效应。J.D.Lafferty、C.K.I.Williams、J.Shawe-Tylor、R.S.Zemel和A.Culotta（编辑）。神经信息处理系统进展，23（第1099-1107页）。纽约州红钩市：Curran。 [37] Kůrková，V.（1991）。科尔莫戈洛夫定理是相关的。神经计算，3（4），617-622， [38] Levenberg，K.（1944年）。用最小二乘法解决某些非线性问题的方法。应用数学季刊，2（2），164-168·Zbl 0063.03501号 [39] Marmarelis，P.Z.和Naka，K.I.（1972年）。神经元链的白噪声分析：维纳理论的应用。科学，175（4027），1276-1278， [40] Marmarelis，V.Z.（1993）。利用核的拉盖尔展开识别非线性生物系统。生物医学工程年鉴，21（6），573-589， [41] Marmarelis，V.Z.、Shin，D.C.、Song，D.、Hampson，R.E.、Deadwyler，S.A.和Berger，T.W.（2013）。使用主要动力学模式对神经元集合内的动态相互作用进行非线性建模。计算神经科学杂志，34（1），73-87， [42] Marmarelis，V.Z.、Shin，D.C.、Song，D.、Hampson，R.E.、Deadwyler，S.A.和Berger，T.W.（2014）。使用主要动力学模式解析灵长类动物前额叶皮层的神经代码。计算神经科学杂志，36（3），321-337， [43] Marquardt，D.W.（1963年）。非线性参数的最小二乘估计算法。工业和应用数学学会杂志，11（2），431-441·Zbl 0112.10505号 [44] McCullagh，P.（1984）。广义线性模型。欧洲运筹学杂志，16（3），285-292·Zbl 0556.62041号 [45] McFarland，J.M.、Cui，Y.和Butts，D.A.（2013年）。基于生理上合理的输入推断非线性神经元计算。《公共科学图书馆·计算生物学》，9（7），e1003143， [46] Nicolelis，M.A.、Dimitrov，D.、Carmena，J.M.、Crist，R.、Lehew，G.、Kralik，J.D.和Wise，S.P.（2003年）。猕猴的慢性多部位多电极记录。《美国国家科学院院刊》，100（19），11041-11046， [47] Nirenberg，S.和Latham，P.E.（2003）。解码神经元放电序列：相关性有多重要？《美国国家科学院院刊》，100（12），7348-7353， [48] Okatan，M.、Wilson，M.A.和Brown，E.N.（2005）。使用集成神经尖峰活动的网络似然模型分析功能连通性。神经计算，17（9），1927-1961·Zbl 1076.92011号 [49] Paninski，L.（2003）。一些尖峰触发分析技术的收敛性。S.Becker、S.Thrun和K.Oberrnayer（编辑），《神经信息处理系统的进展》，15（第189-196页）。马萨诸塞州剑桥：麻省理工学院出版社。 [50] Paninski，L.（2004）。级联点过程神经编码模型的最大似然估计。网络：神经系统中的计算，15（4），243-262， [51] Park，I.M.、Meister，M.L.、Huk，A.C.和Pillow，J.W.（2014）。感觉运动决策过程中顶叶皮层的编码和解码。《自然神经科学》，17（10），1395-1403， [52] Park，I.M.和Pillow，J.W.（2011年）。贝叶斯峰值触发协方差分析。在J.Shawe Taylor、R.S.Zemel、P.L.Bartlett、F.Pereira和K.Q.Weinberger（编辑），《神经信息处理系统的进展》，24（第1692-1700页）。纽约州红钩市：Curran。 [53] Pillow，J.W.和Simoncelli，E.P.（2003）。非泊松尖峰产生导致白噪声分析中的偏差。神经计算，52，109-115， [54] Prenger，R.、Wu，M.C.K.、David，S.V.和Gallant，J.L.（2004年）。通过神经网络分析揭示自然场景的非线性V1响应。神经网络，17（5-6），663-679， [55] Qi，Y.，Shen，J.，Wang，Y.、Tang，H.、Yu，H.，Wu，Z.和Pan，G.（2018）。在峰值神经网络中联合学习网络连接和链接权重。第27届国际人工智能联合会议记录（第1597-1603页）。国际人工智能联合会议。 [56] Quinn，C.J.、Coleman，T.P.、Kiyavash，N.和Hatsopoulos，N.G.（2011年）。估计定向信息以推断集合神经棘波训练记录中的因果关系。计算神经科学杂志，30（1），17-44·Zbl 1446.92071号 [57] Rieke，F.、Warland，D.、de Ruyter van Stevenick，R.和Bialek，W.（1999）。Spikes：探索神经代码。马萨诸塞州剑桥：麻省理工学院出版社·Zbl 0912.92004号 [58] Ringach，D.L.、Sapiro，G.和Shapley，R.（1997）。用于视觉神经元研究的子空间反向相关技术。视觉研究，37（17），2455-2464， [59] Rust，N.C.、Schwartz，O.、Movshon，J.A.和Simoncelli，E.（2004）。猴V1兴奋性和抑制性刺激维度的尖峰触发特征。神经计算，58，793-799， [60] Samengo，I.和Gollisch，T.（2013）。尖峰触发协方差：几何证明、对称性和超出高斯刺激的扩展。计算神经科学杂志，34（1），137-161·Zbl 1387.92023号 [61] Sanchez，J.C.、Kim，S.P.、Erdogmus，D.、Rao，Y.N.、Principe，J.C、Wessberg，J.和Nicolelis，M.（2002）。线性和非线性模型的输入-输出映射性能，用于根据皮层神经元放电模式估计手的轨迹。第12届IEEE信号处理神经网络研讨会论文集（第139-148页）。新泽西州皮斯卡塔韦IEEE， [62] Schwartz，O.、Chichilnisky，E.和Simoncelli，E.P.（2002）。使用峰值触发协方差表征神经增益控制。T.G.Dietterich、S.Becker和Z.Ghahramani（编辑），《神经信息处理系统的进展》，14（第269-276页）。马萨诸塞州剑桥：麻省理工学院出版社。 [63] Schwartz，O.、Pillow，J.W.、Rust，N.C.和Simoncelli，E.P.（2006）。尖峰触发的神经表征。《视觉杂志》，6（4），13， [64] Serruya，M.D.、Hatsopoulos，N.G.、Paninski，L.、Fellows，M.R.和Donoghue，J.P.（2002）。脑机接口：运动信号的即时神经控制。《自然》，416（6877），141-142·兹比尔1097.92012 [65] Sharpee，T.O.、Atencio，C.A.和Schreiner，C.E.（2011年）。听觉皮层的层级表征。神经生物学最新观点，21（5），761-767， [66] Sharpee，T.、Rust，N.C.和Bialek，W.（2004）。分析神经对自然信号的反应：最大信息维度。神经计算，16（2），223-250·Zbl 1054.92018年 [67] Shepherd，G.M.（2004）。大脑的突触组织。纽约：牛津大学出版社， [68] Slee，S.J.、Higgs，M.H.、Fairhall，A.L.和西班牙，W.J.（2005）。听觉脑干中的二维时间编码。神经科学杂志，25（43），9978-9988， [69] Song，D.，Chan，R.H.，Marmarelis，V.Z.，Hampson，R.E.，Deadwyler，S.A.，&Berger，T.W.（2007）。海马皮质假体棘列变换的非线性动力学建模。IEEE生物医学工程学报，54（6），1053-1066， [70] Song，D.，Chan，R.H.，Marmarelis，V.Z.，Hampson，R.E.，Deadwyler，S.A.，&Berger，T.W.（2009）。海马假体神经种群动力学的非线性建模。神经网络，22（9），1340-1351， [71] Stevenson，I.H.、Rebesco，J.M.、Hatsopoulos，N.G.、Haga，Z.、Miller，L.E.和Kording，K.P.（2009年）。基于尖峰的功能连通性和网络结构的贝叶斯推断。IEEE神经系统与康复工程汇刊，17（3），203-213， [72] Tibshirani，R.（1996）。通过LASSO进行回归收缩和选择。英国皇家统计学会杂志。B系列（方法学）58，267-288·Zbl 0850.62538号 [73] Trappenberg，T.P.（2002）。计算神经科学基础。纽约：牛津大学出版社·Zbl 1179.92013年9月 [74] Truccolo，W.、Eden，U.T.、Fellows，M.R.、Donoghue，J.P.和Brown，E.N.（2005）。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的点过程框架。神经生理学杂志，93（2），1074-1089， [75] Wang，Y.、Paiva，A.R.、Príncipe，J.C.和Sanchez，J.C.（2009）。根据脑-机接口的神经尖峰活动对运动学进行连续蒙特卡罗点过程估计。神经计算，21（10），2894-2930·Zbl 1182.92016年 [76] Wang，Y.、Wang，F.、Xu，K.、Zhang，Q.、Zhang，S.和Zheng，X.（2015）。通过大脑-机器接口的注意力门控强化学习对跟踪任务进行神经控制。IEEE神经系统与康复工程汇刊，23（3），458-467， [77] Wessberg，J.、Stambaugh，C.R.、Kralik，J.D.、Beck，P.D.、Laubach，M.、Chapin，J.K.、…Nicolelis，M.A.（2000）。灵长类皮层神经元群实时预测手部轨迹。《自然》，408（6810），361， [78] Wilamowski，B.M.和Yu，H.（2010年）。改进了Levenberg-Marquardt训练的计算。IEEE神经网络汇刊，21（6），930-937， [79] Wu，A.、Park，I.M.和Pillow，J.W.（2015）。神经子单元模型的卷积峰值触发协方差分析。C.Cortes、N.D.Lawrence、D.D.Lee、M.Sugiyama和R.Garnett（编辑），《神经信息处理系统的进展》，28（第793-801页）。纽约州红钩市：Curran。 [80] Xing，D.，Qian，C.，Li，H.，Zhang，S.，Zheng，Q.，Hao，Y.，…Pan，G.（2017）。使用离散时间缩放目标GLM预测PMd到M1的尖峰序列。IEEE认知和发展系统汇刊，194-204年10月， [81] Xu，K.，Wang，Y.，Wang.Y.，王，F.，Hao，Y..，Zhang，S.，…Zheng，X.（2013）。基于局部学习的神经元选择用于运动-大脑-机器接口中的抓取手势预测。神经工程杂志，10（2），026008， [82] Xu，Q.，Qi，Y.，Yu，H.，Shen，J.，Tang，H.和Pan，G.（2018）。CSNN：一种基于增强扣球的感知框架。第27届国际人工智能联合会议记录（第1646-1652页）。国际人工智能联合会议。 [83] Zanos，T.P.、Courellis，S.H.、Berger，T.W.、Hampson，R.E.、Deadwyler，S.A.和Marmarelis，V.Z.（2008）。神经元集合因果关系的非线性建模。IEEE神经系统与康复工程汇刊，16（4），336-352， 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。