×
钱存乐;孙旭云;王月明;郑晓祥;王一文;潘，刚

无二进制内核机器：认知神经假体的尖峰序列转换建模。 （英语） Zbl 1453.92020年

神经计算。 32，第10期，1863-1900（2020）。
总结：对大脑区域之间的尖峰序列转换进行建模有助于设计一种恢复失去的认知功能的认知神经假体。各种方法分析两个皮层区域之间的非线性动态尖峰序列变换，计算效率低。实时神经假体的应用需要计算效率、性能稳定性和更好地解释调节目标棘波生成的神经放电模式。我们在点过程框架中提出了无箱核机器来描述非线性动态尖峰序列变换。我们的方法嵌入无箱核以有效捕获尖峰序列的前馈动力学，并将输入尖峰时间映射到再生核希尔伯特空间（RKHS）。设计了一个非均匀伯努利过程，将其与对无箱核进行操作的核逻辑回归相结合，以生成作为点过程的输出尖峰序列。通过最大化RKHS中输出尖峰序列的对数似然来估计该模型的权重，从而实现全局最优解。为了降低计算复杂度，我们设计了一种基于流的聚类算法来提取典型和重要的尖峰序列特征。聚类中心及其权重使我们能够可视化激励或抑制输出神经元放电的重要输入棘波序列模式。我们利用从猴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波序列数据来测试所提模型。性能通过离散时间缩放Kolmogorov-Smirnov测试进行评估。无论权重初始化如何，我们的模型都比现有的方法具有更高的稳定性，并且证明了在较少历史输入（50%）的情况下，从尖峰计时分析神经模式的效率更高。同时，验证了根据权值选择的典型尖峰序列模式对单输入神经元的尖峰序列和两输入神经元的相互作用的输出尖峰进行编码。

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：

尖峰列车变换;认知神经假体;大脑区域;再生核希尔伯特空间
PDF格式BibTeX公司 XML格式引用
\textit{C.Qian}等人，《神经计算》。32，第10号，1863-1900（2020；Zbl 1453.92020）
全文： 内政部

参考文献：

[1] Ahrens，M.B.、Paninski，L.和Sahani，M.（2008）。推断神经编码模型中的输入非线性。网络：神经系统中的计算，19（1），35-67，
[2] Ailon，N.、Jaiswal，R.和Monteleoni，C.（2009年）。流k表示近似。Y.Bengio、D.Schuurmans、J.D.Lafferty、C.K.I.Williams和A.Culotta（编辑），《神经信息处理系统的进展》，22（第10-18页）。纽约州红钩市：Curran。
[3] Bae，J.、Chhatbar，P.、Francis，J.T.、Sanchez，J.C.和Príncipe，J.C.（2011年）。通过核时间差进行强化学习。第33届IEEE医学和生物学会工程国际年会论文集（第5662-5665页）。新泽西州皮斯卡塔韦：IEEE。
[4] 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，
[5] Berger，T.W.、Hampson，R.E.、Dong，S.、Goonawardena，A.、Marmarelis，V.Z.和Deadwyler，S.A.（2011年）。用于恢复和增强记忆的皮质神经假体。神经工程杂志，8（4），046017，
[6] Boyd，S.和Vandenberghe，L.（2004）。凸优化。剑桥：剑桥大学出版社·Zbl 1058.90049号
[7] 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），325-346·兹比尔0989.62060
[8] Chen，B.、Zhao，S.、Zhu，P.和Príncipe，J.C.（2012）。量化核最小均方算法。IEEE神经网络和学习系统汇刊，23（1），22-32，
[9] 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
[10] Geng，K.，Shin，D.C.，Song，D.，Hampson，R.E.，Deadwyler，S.A.，Berger，T.W.，&Marmarelis，V.Z.（2017）。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·兹比尔1472.92015
[11] Guha，S.、Mishra，N.、Motwani，R.和O'Callaghan，L.（2000）。群集数据流。第41届计算机科学基础年度研讨会论文集（第359-366页）。新泽西州皮斯卡塔韦：IEEE，
[12] 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，
[13] Haines，D.E.（2007）。神经解剖学：结构、切片和系统图谱（第7版）。费城：Lippincott Williams&Wilkins。
[14] Hampson，R.E.，Song，D.，Chan，R.H.M.，Sweatt，A.J.，Riley，M.R.，Gerhardt，G.A.，…Deadwyler，S.A.（2012）。海马认知修复的非线性模型：海马整体刺激促进记忆。IEEE神经系统与康复工程汇刊，20（2），184-197，
[15] Haslinger，R.、Pipa，G.和Brown，E.N.（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
[16] Kurková，V.（1991年）。科尔莫戈洛夫定理是相关的。神经计算，3（4），617-622，
[17] Li，K.，&Principie，J.C.（2017）。自适应滤波器中的传递学习：最近实例质心估计核最小均方算法。IEEE信号处理汇刊，65（24），6520-6535·Zbl 1414.94342号
[18] 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，
[19] Marmarelis，V.Z.（2004）。生理系统的非线性动力学建模。新泽西州霍博肯：威利，
[20] 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，
[21] 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。PLOS计算生物学，9（7），e1003143，
[22] 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，
[23] 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，
[24] Paiva，A.R.C.、Park，I.M.和Príncipe，J.C.（2009年）。用于尖峰序列信号处理的再生核Hilbert空间框架。神经计算，21（2），424·Zbl 1178.68452号
[25] Paiva，A.R.C.、Park，I.M.和Príncipe，J.C.（2010年）。无箱扣球训练措施的比较。神经计算与应用，19（3），405-419，
[26] 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，
[27] Park，H.S.和Jun，C.H.（2009年）。k-medoids聚类的一种简单快速算法。应用专家系统，36（2），3336-3341，
[28] Park，I.M.、Seth，S.、Paiva，A.R.C.和Li，L.（2013）。神经科学尖峰训练空间的核心方法：教程。IEEE信号处理杂志，30（4），149-160，
[29] Park，J.和Sandberg，I.W.（1991）。使用径向基函数网络的通用近似。神经计算，3（2），246-257，
[30] Qian，C.，Sun，X.，Zhang，S.，Xing，D.，Li，H.，Zheng，X.…Wang，Y.（2018）。使用分阶段点过程模型对尖峰预测的神经交互进行非线性建模。神经计算，30（12），3189-3226·Zbl 1472.92039号
[31] Schölkopf，B.和Smola，A.J.（2001）。使用内核学习：支持向量机、正则化、优化及其他。马萨诸塞州剑桥：麻省理工学院出版社。
[32] Song，D.、Chan，R.H.M.、Marmarelis，V.Z.、Hampson，R.E.、Deadwyler，S.A.和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，
[33] Song，D.，Chan，R.H.，Robinson，B.S.，Marmarelis，V.Z.，Opris，I.，Hampson，R.E.，…Berger，T.W.（2015）。使用非线性动力学模型从尖峰活动中识别功能性突触可塑性。神经科学方法杂志，244123-135，
[34] Song，D.、Robinson，B.S.、Hampson，R.E.、Marmarelis，V.Z.、Deadwyler，S.A.和Berger，T.W.（2016）。记忆修复用人类海马体的稀疏大规模非线性动力学建模。IEEE神经系统与康复工程汇刊，26（2），272-280，
[35] 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，
[36] 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，
[37] Wang，F.、Wang，Y.、Xu，K.、Li，H.、Liao，Y.，Zhang，Q.…Príncipe，J.C.（2017）。用于脑机接口解码的量化注意门控核强化学习。IEEE神经网络和学习系统汇刊，28（4），
[38] Wang，Y.、Paiva，A.R.C.、Príncipe，J.C.和Sanchez，J.C.（2009年）。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
[39] Wang，Y.，Wang，F.，Xu，K.，Zhang，Q.，Zang，S.，&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，
[40] Wilamowski，B.M.和Hao，Y.（2010年）。改进了Levenberg-Marquardt训练的计算。IEEE神经网络汇刊，21（6），930-937，
[41] Wu，Z.、Pan，G.和Zheng，N.（2013）。机器人智能。IEEE智能系统，28（5），31-33。
[42] Wu，Z.，Zhou，Y.，Shi，Z..，Zhang，C.，Li，G.，Zheng，X.，…Pan，G..（2016）。机器人智能：最新进展和未来方向。IEEE智能系统，31（6），44-50，
[43] 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，10（2），194-204，
[44] Xu，K.，Wang，Y.，Wang，Y.，Wang，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，
[45] Yu，Y.、Pan，G.、Gong，Y.，Xu，K.、Zheng，N.、Hua，W.、…Wu，Z.（2016）。智能增强的大鼠半机器人在迷宫解决中的作用。PLOS一号，11（2），1-18，
[46] Zhang，X.、Libedinsky，C.、So，R.、Principe，J.C.和Wang，Y.（2019年）。核强化学习中的聚类神经模式有助于大脑在脑-机界面中进行快速控制。IEEE神经系统与康复工程汇刊，27（9），1684-1694，
[47] Zhang，X.，Príncipe，J.C.和Wang，Y.（2018）。基于聚类的核强化学习用于脑-机接口中的神经自适应。第40届IEEE医学和生物学会工程国际年会论文集（第6125-6128页）。新泽西州皮斯卡塔韦：IEEE。
[48] Zhao，M.，Batista，A.，Cunningham，J.P.，Chestek，C.，Rivera-Alvidrez，Z.，Kalmar，R.，…Iyengar，S.（2012）。用于检测短期神经元相互作用的L1调节逻辑模型。计算神经科学杂志，32（3），479-497·Zbl 1446.92100号
[49] Zhu，J.和Hastie，T.（2002）。核逻辑回归和导入向量机。在T.G.Dietterich、S.Becker和Z.Gahramani（编辑），《神经信息处理系统的进展》，14（第1081-1088页）。马萨诸塞州剑桥：麻省理工学院出版社。
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。