鉴于最近的实验结果表明，神经电路可能通过多个触发状态进化，我们开发了一个框架，用于从尖峰序列数据估计状态相关的神经响应特性。我们修改了传统的隐马尔可夫模型（HMM）框架，以纳入刺激驱动的非泊松点过程观测。为了获得最大的灵活性，我们允许外部时变刺激和神经元自身的尖峰历史来驱动每个状态中的尖峰行为和状态之间的过渡行为。我们采用适当修改的期望最大化算法来估计模型参数。期望步长由HMM的标准前向后退算法求解。如果模型受到轻微限制，则最大化步骤可简化为一组可分离凹优化问题。我们首先在模拟数据上测试我们的算法，能够完全恢复用于生成数据的参数，并准确地重述隐藏状态序列。然后，我们将我们的算法应用于最近发布的一个数据集，在该数据集中，观察到的神经元集合显示出多状态行为，并表明包含棘波历史信息可以显著提高模型的拟合度。此外，我们还表明，通过对底层马尔可夫链的状态空间进行简单的重新定义，我们可以实现一种半多状态半直方图混合模型，该模型可能比简单的HMM或单纯的刺激周时间直方图模型更适合于捕获某些数据集的复杂性。
