×
邵培成;黄建嘉;魏昌珊;Yen、Chen-Tong;蔡梦丽;Yen，Chien-Chang先生

基于Granger因果关系的突触权重估计用于分析神经元网络。 （英语） Zbl 1382.92086号

J.计算。神经科学。 38，第3期，483-497（2015）.
摘要：格兰杰因果关系（GC）分析已成为估计各种神经活动数据之间因果关系的一种强有力的分析方法。然而，有两个问题仍然不太清楚，还需要进一步的研究：（1）GC测量在其原始形式中被设计为非负的，缺乏区分神经元之间的兴奋和抑制效应的特征。（2） 估计的因果关系如何与潜在的突触重量相关？基于GC，我们提出了一种最佳线性预测假设下的计算算法，通过估计神经元网络之间的突触权重来分析神经元网络。在这种假设下，GC分析可以扩展到测量神经元之间的兴奋和抑制效应。该方法通过三种模拟网络进行了检验：具有线性、近似线性和非线性网络结构的网络。该方法还用于分析前扣带回（ACC）和纹状体（STR）的真实棘波序列数据。结果表明，服用喹匹罗后，ACC内存在显著的兴奋效应，ACC对STR的兴奋效应和STR内的抑制效应。

引用于1文件

MSC公司：

92C20美元 神经生物学
第92页第42页 系统生物学、网络
92秒20 生物研究、人工生命和相关主题中的神经网络

关键词：

格兰杰因果关系分析;突触权重估计;向量自回归模型;神经元网络

软件：

MVGC公司;GCCA公司
PDF格式BibTeX公司 XML格式引用
\textit{P.-C.Shao}等人，J.Compute。神经科学。38，第3号，483--497（2015；Zbl 1382.92086）
全文： 内政部

参考文献：

[1] Arnold，A.、Liu，Y.和Abe，N.（2007）。用图形Granger方法进行时间因果建模。第13届ACM SIGKDD知识发现和数据挖掘国际会议论文集，766-75·doi:10.1145/1281192.1281203
[2] Baccala，L.A.和Sameshima，K.（2001年）。部分定向相干：神经结构测定中的一个新概念。生物控制论，84，463-474·Zbl 1160.92306号 ·doi:10.1007/PL00007990
[3] Barnett，L.和Seth，A.K.（2014）。MVGC多元Granger因果工具箱：Granger-casual推断的新方法。神经科学方法杂志，223，50-68·doi:10.1016/j.jneumeth.2013.10.018
[4] Barrett，A.B.和Barnett，L.（2013）。格兰杰因果关系旨在衡量效果，而非机制。神经信息学前沿，7，1-2·doi:10.3389/fninf.2013.00006
[5] Benjamini，Y.和Hochberg，Y.（1995年）。控制错误发现率：一种实用而强大的多重测试方法。《皇家统计学会杂志》，57，289-300·Zbl 0809.62014号
[6] Bressler，S.L.和Seth，A.K.（2011年）。维纳-格兰杰因果关系：一种成熟的方法。神经影像学，58323-329·doi:10.1016/j.neuroimage.2010.02.059
[7] Cadotte，A.J.、DeMarse，T.B.、He，P.和Ding，M.（2008）。模拟和活神经网络中结构和塑性的因果度量。《公共科学图书馆·计算生物学》，3，1-14。
[8] Cadotte，A.J.、DeMarse，T.B.、Mareci，T.H.、Parekh，M.B.、Talathi，S.S.、Hwang，D.U.、Ditto，W.L.、Ding，M.和Carney，P.R.（2010年）。颞叶癫痫动物模型中局部场电位之间的Granger因果关系。《神经科学方法杂志》，189121-129·doi:10.1016/j.jneumeth.2010.03.007
[9] Dhamala，M.、Rangarajan，G.和Ding，M.（2008）。用非参数格兰杰因果关系分析大脑网络中的信息流。神经影像，41，354-362·doi:10.1016/j.neuroimage.2008.02.020
[10] 丁，M。；陈，Y。；Bressler，SL，Granger因果关系：神经科学的基本理论和应用。，437-460（2006年），德国温海姆·Zbl 1268.92079号 ·doi:10.1002/9783527609970.ch17
[11] Gomez，L.、Budelli，R.、Saa，R.，Stiber，M.和Segundo，J.P.（2005年）。聚合突触前相关输入的尖峰序列作为簇点过程的实现。生物控制论，92110-127·Zbl 1097.92004号 ·doi:10.1007/s00422-004-0534-y
[12] Granger，C.（1969年）。通过计量经济学模型和交叉谱方法研究因果关系。《计量经济学》，37，424-438·Zbl 1366.91115号 ·doi:10.2307/1912791
[13] Granger，C.（1980）。因果关系测试：个人观点。《经济动态与控制杂志》，2329-352·doi:10.1016/0165-1889（80）90069-X
[14] Greene，W.H.（2002）。《计量经济学分析》，第五版，新泽西州上鞍河：普伦蒂斯·霍尔。
[15] Guo，S.、Seth，A.K.、Kendrick，K.M.、Zhou，C.和Feng，J.（2008）。部分格兰杰因果关系-消除外部输入和潜在变量。神经科学方法杂志，17279-93·doi:10.1016/j.jneumeth.2008.04.011
[16] Hu，S.、Dai，G.、Worrel，G.A.、Dai、Q.和Liang，H.（2011）。神经连接的因果分析：对现有方法和新方法的进展进行批判性检查。IEEE神经网络汇刊，22829-844·doi:10.1109/TNN.2011.2123917
[17] Huang，J.J.、Yen，C.T.、Liu，T.L.、Tsao，H.W.、Hsu，J.W.和Tsai，M.L.（2013）。多巴胺D2激动剂quinpirole对大鼠前扣带回和纹状体神经元活动的影响。精神药理学，227459-466·doi:10.1007/s00213-013-2965-4
[18] Izhikevich，E.M.（2003）。尖峰神经元的简单模型。IEEE神经网络汇刊，第14期，1569-1572页·doi:10.1109/TNN.2003.820440
[19] Kim，S.、Putrino，D.、Ghosh，S.和Brown，E.N.（2011年）。集合神经尖峰活动点过程模型的Granger因果测量。公共科学图书馆计算生物学，7，3。
[20] 北川，G.（2010）。时间序列建模导论：Chapman&Hall/CRC统计学和应用概率专著·Zbl 1204.62159号
[21] Krumin，M.和Shoham，S.（2010年）。多峰值序列的多元自回归建模和Granger因果分析。计算智能与神经科学，752428·Zbl 1097.92004号
[22] Lehky，S.R.（2010年）。用高斯滤波解码泊松尖峰序列。神经计算，22，1245-1271·Zbl 1187.92024号 ·doi:10.1162/neco.2009.07-08-823
[23] Luo，Q.、Lu，W.、Cheng，W.，Valdes-Sosa，P.A.、Wen，X.、Ding，M.和Feng，J.（2013）。时空格兰杰因果关系：一个新的框架。神经影像，79，241-263·doi:10.1016/j.neuroimage.2013.04.091
[24] Lutkepohl，H.（2005）。多重时间序列分析新导论：Springer·Zbl 1072.62075号
[25] Marinazzo，D.、Liao，W.、Chen，H.和Stramaglia，S.（2011年）。格兰杰因果关系的非线性连接。神经影像，58，330-338·doi:10.1016/j.neuroimage.2010.01.099
[26] Michailidis，G.和d'Alche-Buc，F.（2013）。基因调控网络推断的自回归模型：稀疏性、稳定性和因果关系问题。数学生物科学，246326-334·Zbl 1308.92032号 ·doi:10.1016/j.ms.2013.10.003
[27] Nageswaran，J.M.、Dutt，N.、Krichmar，J.L.、Nicolau，A.和Veidenbaum，A.V.（2009年）。一个可配置的模拟环境，用于在图形处理器上高效模拟大规模峰值神经网络。神经网络，22791-800·doi:10.1016/j.neunet.2009.06.028
[28] Nedungadi，A.G.、Rangarajan，G.、Jain，N.和Ding，M.（2009年）。用非参数格兰杰因果关系分析多个尖峰序列。计算神经科学杂志，27，55-64·文件编号：10.1007/s10827-008-0126-2
[29] Pillow，J.W.、Shlens，J.、Paninski，L.、Sher，A.、Litke，A.M、Chichilnisky，E.J.和Simoncelli，E.P.（2008年）。完整神经元群的时空相关性和视觉信号。《自然》，454995-999·doi:10.1038/nature07140
[30] 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，30，17-44·兹比尔1446.92071 ·doi:10.1007/s10827-010-0247-2
[31] Rosenbaum，R.、Trousdale，J.和Josic，K.（2011年）。汇集对尖峰序列相关性的影响。神经科学前沿，5，1-10·doi:10.3389/fnins.2011.00058
[32] Sameshima，K.和Baccala，L.A.（1999）。使用部分定向相干描述神经元集成相互作用。神经科学方法杂志，9493-103·doi:10.1016/S0165-0270（99）00128-4
[33] Seth，A.K.（2005）。行为期间进化神经网络的因果连接。网络，16，35-54·doi:10.1080/09548980500238756
[34] Seth，A.K.和Edelman，G.M.（2007）。区分神经群体中的因果交互作用。神经计算，19，910-933·Zbl 1111.92010 ·doi:10.1162/neco.2007.19.4.910
[35] Seth，A.K.（2010年）。Granger因果关联分析的MATLAB工具箱。神经科学方法杂志，186，262-273·doi:10.1016/j.jneumeth.2009.11.020
[36] Shao，P.C.、Tseng，W.T.、Kuo，C.C.、Shann，W.C.、Tsai，M.L.和Yen，C.C.（2013）。尖峰排序误差对格兰杰因果关系指数的影响。神经网络，46，249-259·Zbl 1296.92096号 ·doi:10.1016/j.neunet.2013.06.001
[37] Shimazaki，H.和Shinomoto，S.（2007年）。一种选择时间直方图的箱子大小的方法。神经计算，191503-1527·Zbl 1115.92014年 ·doi:10.1116/neco.2007.19.6.1503文件
[38] Zhou，D.，Xiao，Y.，Zhang，Y.、Xu，Z.和Cai，D.（2014）。基于电导的集成和纤芯神经元系统的Granger因果网络重建。公共科学图书馆一期，9，2。
[39] Zhu，L.，Lai，Y.C.，Hoppenstead，F.C.，&He，J.（2003）。探索适应过程中神经交互作用的变化。神经计算，152359-2377·兹比尔1082.92016 ·doi:10.1162/08997660332362392
[40] Zou，C.、Ladroue，C.、Guo，S.和Feng，J.（2010）。识别本地和全球网络中时域和频域的相互作用-格兰杰因果关系方法。BMC生物信息学，11337·doi:10.1186/1471-2105-11-337
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。