奥斯汀·J·布罗克迈尔。;约翰·S·崔。;埃文·克里明格。;约瑟夫·弗朗西斯。;何塞·C·普林西比。 基于核度量学习的神经解码。 （英语） 兹比尔1416.92033 神经计算。 26，第6期，1080-1107（2014）. 摘要：在神经系统的研究中，神经反应指标的选择是一个关键的假设。例如，一个非常合适的距离度量使我们能够衡量对各种刺激的神经反应的相似性，并评估对重复刺激的反应的可变性，这是理解刺激是如何神经编码的探索性步骤。在这里，我们介绍了一种针对特定神经解码任务调整度量的方法。神经棘波训练指标被用来量化动作电位计时所携带的信息内容。虽然存在许多针对单个神经元的指标，但缺乏一种将单个神经元指标优化组合为多神经元指标或基于人群的指标的方法。我们提出了使用中心对齐（一种基于核的相关性度量）优化多神经元度量和其他度量的问题。该方法在由棘波序列和局部场电位组成的侵入性记录神经数据上进行了验证。这个实验范式包括解码麻醉大鼠前爪触觉刺激的位置。我们表明，优化后的度量突出了神经响应的区分维度，显著提高了解码精度，并改进了用于探索性神经分析的非线性降维方法。 引用于2文件 MSC公司： 92立方厘米20 神经生物学 关键词：神经反应;神经解码;优化多神经元指标 软件：伦敦银行支持向量机;UCI-毫升;LMNN公司;t-SNE公司;minFunc（最小功能） PDF格式BibTeX公司 XML格式引用 \textit{A.J.Brockmeier}等人，《神经计算》。26，第6号，1080--1107（2014；Zbl 1416.92033） 全文： 内政部 参考文献： [1] Aronov，D.（2003）。多个单个神经元同时响应的度量空间分析的快速算法。神经科学方法杂志，124（2），175-179， [2] 巴赫，F.R.和乔丹，M.I.（2003）。核独立成分分析。机器学习研究杂志，3，1-48·Zbl 1088.68689号 [3] Bache，K.和Lichman，M.（2013）。UCI机器学习库。http://archive.ics.uci.edu/m/ [4] Baudat，G.和Anouar，F.（2000年）。使用核方法的广义判别分析。神经计算，12（10），2385-2404， [5] Brockmeier，A.J.、Kriminger，E.、Sanchez，J.C.和Principe，J.C（2011）。神经放电率的潜在状态可视化。2011年第五届国际IEEE/EBS神经工程会议论文集（第144-147页）。新泽西州皮斯卡塔韦：IEEE， [6] Brockmeier，A.J.、Park，I.、Mahmoudi，B.、Sanchez，J.C.和Principie，J.C（2010）。神经状态估计中发射率的时空聚类。2010年IEEE医学和生物学会工程国际年会论文集（第6023-6026页）。新泽西州皮斯卡塔韦：IEEE， [7] Brockmeier，A.J.、Sanchez Giraldo，L.G.、Emigh，M.S.、Bae，J.、Choi，J.S.，Francis，J.T.和Principe，J.C.（2013）。信息论度量学习：可视化神经数据的二维线性投影。《2013年IEEE医学和生物学会工程国际年会论文集》（第5586-5589页）。新泽西州皮斯卡塔韦：IEEE， [8] Broome，B.M.、Jayaraman，V.和Laurent，G.（2006年）。重叠气味序列的编码和解码。神经元，51（4），467-482， [9] Bunte，K.、Biehl，M.和Hammer，B.（2012年）。降维数据可视化映射的通用框架。神经计算，24（3），771-804·Zbl 1238.68117号 [10] Chang，C.-C.和Lin，C.-J.（2011）。LIBSVM：支持向量机库。ACM智能系统与技术汇刊。软件在线提供，网址：网址：http://www.csie.ntu.edu.tw/cjlin/libsvm。 [11] Churchland，M.M.、Yu，B.M.、Cunningham，J.P.、Sugrue，L.P.，Cohen，M.R.、Corrado，G.S.、…Shenoy，K.V.（2010）。刺激开始淬灭神经可变性：一种广泛的皮层现象。《自然神经科学》，13（3），369-378， [12] Cortes，C.、Mohri，M.和Rostamizadeh，A.（2012年）。基于中心对齐的核学习算法。机器学习研究杂志，13795-828·Zbl 1283.68286号 [13] Cortez，P.、Cerdeira，A.、Almeida，F.、Matos，T.和Reis，J.（2009）。通过物理化学特性数据挖掘建立葡萄酒偏好模型。决策支持系统，47，547-553， [14] Cowley，B.、Kaufman，M.、Churchland，M.，Ryu，S.、Shenoy，K.和Yu，B.（2012）。Datahigh：用于可视化和与高维神经活动交互的图形用户界面。在2012年IEEE医学与生物学会工程国际年会论文集（第4607-4610页）。新泽西州皮斯卡塔韦：IEEE， [15] Cristianini，N.、Shawe-Taylor，J.、Elisseeff，A.和Kandola，J.（2002）。关于内核-目标对齐。T.Dietterich、S.Becker和Z.Ghahramani（编辑），《神经信息处理系统的进展》，第14页。马萨诸塞州剑桥：麻省理工学院出版社。 [16] Dubbs，A.J.、Seiler，B.A.和Magnasco，M.O.（2010年）。快速##img##峰值对齐度量。神经计算，22（11），2785-2808·Zbl 1200.92002年 [17] Fukumizu，K.、Bach，F.R.和Jordan，M.I.（2004年）。基于再生核Hilbert空间的监督学习降维。机器学习研究杂志，573-99·Zbl 1222.62069号 [18] Fukunaga，K.（1990年）。统计模式识别导论。佛罗里达州奥兰多：学术出版社·Zbl 0711.62052号 [19] Gretton，A.、Bousquet，O.、Smola，A.和Schölkopf，B.（2005）。使用Hilbert-Schmidt规范测量统计相关性。S.Jain、H.U.Siman和E.Tomita（编辑），《算法学习理论》（第63-77页）。纽约：斯普林格·Zbl 1168.62354号 [20] Guyon，I.和Elisseeff，A.（2003）。变量和特征选择简介。机器学习研究杂志，3，1157-1182·Zbl 1102.68556号 [21] Horn，R.A.（1967年）。关于无限可分矩阵、核和函数。Zeitschrift für Wahrscheinlichkeits theorye und Verwandte Gebiete，第8219-230页·Zbl 0314.60017号 [22] Houghton，C.和Sen，K.（2008年）。一种新的多欧元尖峰火车指标。神经计算，201495-1511·Zbl 1137.92006号 [23] Kemere，C.、Santhanam，G.、Yu，B.、Afshar，A.、Ryu，S.、Meng，T.和Shenoy，K.（2008）。使用运动皮层假体的隐马尔可夫模型检测神经状态转换。神经生理学杂志，1002441-2452， [24] Kira，K.和Rendell，L.A.（1992年）。特征选择问题：传统方法和新算法。《第十届全国人工智能大会论文集》（第129-134页）。加利福尼亚州门罗公园：AAAI出版社。 [25] Lanckriet，G.R.、Cristianini，N.、Bartlett，P.、Ghaoui，L.E.和Jordan，M.I.（2004）。用半定规划学习核矩阵。机器学习研究杂志，5，27-72·Zbl 1222.68241号 [26] Little，M.A.、McSharry，P.E.、Roberts，S.J.、Costello，D.A.和Moroz，I.M.（2007年）。利用非线性递归和分形标度特性进行语音障碍检测。生物医药工程在线，6（1），23， [27] Lowe，D.G.（1995）。可变核分类器的相似性度量学习。神经计算，7，72-85， [28] Navot，A.、Shpigelman，L.、Tishby，N.和Vaadia，E.（2006年）。基于最近邻的回归特征选择及其在神经活动中的应用。Y.Weiss、B.Schölkopf和J.Platt（编辑），《神经信息处理系统的进展》，18（第995-1002页）。马萨诸塞州剑桥：麻省理工学院出版社。 [29] Paiva，A.R.、Park，I.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，21，424-449·Zbl 1178.68452号 [30] Park，I.M.、Seth，S.、Paiva，A.、Li，L.和Principie，J.（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， [31] Park，I.M.、Seth，S.、Rao，M.和Príncipe，J.C.（2012）。严格正定义的尖峰训练核用于点过程发散。神经计算，242223-250·Zbl 1311.92048号 [32] Peng，H.、Long，F.和Ding，C.（2005）。基于最大相关性、最大相关性和最小冗余的互信息准则的特征选择。IEEE模式分析和机器智能汇刊，271226-1238， [33] Petreska，B.、Yu，B.M.、Cunningham，J.P.、Santhanam，G.、Ryu，S.I.、Shenoy，K.V.和Sahani，M.（2011年）。从群体神经数据中动态分割单个试验。J.Shawe-Taylor、R.Zemel、P.Bartlett、F.Pereira和K.Weinberger（编辑），《神经信息处理系统的进展》，24（第756-764页）。纽约州红钩市：Curran。 [34] Radons，G.、Becker，J.、Dülfer，B.和Krüger，J.（1994）。用隐马尔可夫模型分析、分类和编码多电极尖峰序列。生物控制论，71，359-373·Zbl 0800.92083号 [35] Roweis，S.和Saul，L.（2000）。局部线性嵌入的非线性降维。科学，290（5500），2323-2326， [36] Sammon Jr，J.W.（1969年）。用于数据结构分析的非线性映射。IEEE计算机汇刊，C-18，401-409， [37] Sanchez Giraldo，L.G.和Principe，J.C.（2013年）。具有无限可分内核的信息论学习。在学习代表国际会议上。arXiv:CoRR，abs/1301.3551 [38] Schmidt，M.（2012）。minFunc（最小功能）。可在网址：http://www.di.ens.fr/mschmidt/软件/minFunc.html。 [39] 勋伯格，I.J.（1938）。度量空间和正定函数。美国数学学会学报，44522-536·Zbl 0019.41502号 [40] Schölkopf，B.、Smola，A.和Müller，K.-R（1998）。非线性分量分析是一个核心特征值问题。神经计算，101299-1319， [41] Seidemann，E.、Meilijson，I.、Abeles，M.、Bergman，H.和Vaadia，E.（1996）。在执行延迟定位任务的猴子中，同时记录的额叶皮层单个单位经历了离散和稳定状态序列。神经科学杂志，16752-768， [42] 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，16，223-250·Zbl 1054.92018年 [43] Sinz，F.、Stockl，A.、Grewe，J.和Benda，J.（2013）。信息量最小的维度。C.J.C.Burges、L.Bottou、M.Welling、Z.Ghahramani和K.Q.Weinberger（编辑），《神经信息处理系统的进展》，26（第413-421页）。纽约州红钩市：Curran。 [44] Song，L.、Bedo，J.、Borgwardt，K.M.、Gretton，A.和Smola，A.（2007年）。通过BAHSIC算法家族进行基因选择。生物信息学，23，i490-i498， [45] Song，L.、Smola，A.、Gretton，A.、Bedo，J.和Borgwardt，K.（2012年）。通过相关性最大化进行特征选择。机器学习研究杂志，13，1393-1434·Zbl 1303.68110号 [46] Stopfer，M.、Jayaraman，V.和Laurent，G.（2003年）。嗅觉系统中的强度与身份编码。神经元，39，991-1004， [47] Sugiyama，M.（2007年）。通过局部Fisher判别分析对多模态标记数据进行降维。机器学习研究杂志，81027-1061·Zbl 1222.68312号 [48] Takeuchi，I.和Sugiyama，M.（2011）。用于最近邻居分类的目标邻居一致性特征加权。J.Shawe-Taylor、R.Zemel、P.Bartlett、F.Pereira和K.Weinberger（编辑），《神经信息处理系统的进展》，24（第576-584页）。纽约州红钩市：Curran。 [49] Tenenbaum，J.B.、De Silva，V.和Langford，J.（2000）。非线性降维的全局几何框架。科学，290（5500），2319-2323， [50] Tkačik，G.、Granot Atedgi，E.、Segev，R.和Schneidman，E.（2013）。视网膜测量：由群体神经反应得出的刺激距离测量。物理审查信件，110，058104， [51] Torgerson，W.S.（1952年）。多维标度：I.理论和方法。《心理测量学》，17，401-419·Zbl 0049.37603号 [52] van der Maaten，L.和Hinton，G.（2008）。使用t-SNE可视化数据。机器学习研究杂志，92579-2605·Zbl 1225.68219号 [53] Van Rossum，M.C.W.（2001年）。新颖的尖峰距离。神经计算，13751-763·Zbl 0979.92011 [54] Victor，J.D.和Purpura，K.P.（1996年）。视觉皮层时间编码的性质和精确度：一项度量空间分析。神经生理学杂志，761310-1326。 [55] Weinberger，K.、Blitzer，J.和Saul，L.（2006年）。大幅度最近邻分类的距离度量学习。Y.Weiss、B.Schölkopf和J.Platt（编辑），《神经信息处理系统的进展》，18（第1473-1480页）。马萨诸塞州剑桥：麻省理工学院出版社。 [56] Weinberger，K.Q.和Saul，L.K.（2009年）。大幅度最近邻分类的距离度量学习。机器学习研究杂志，10207-244·Zbl 1235.68204号 [57] Weinberger，K.Q.和Tesauro，G.（2007）。核回归的度量学习。在国际人工智能和统计会议上（第612-619页）。http://jmlr.org/proceedings/papers/V2/ [58] Xing，E.P.、Ng，A.Y.、Jordan，M.I.和Russell，S.（2003）。远程度量学习及其在附带信息聚类中的应用。S.Becker、S.Thrün和K.Obermayer（编辑），《神经信息处理系统的进展》，15（第505-512页）。马萨诸塞州剑桥：麻省理工学院出版社。 [59] Yamada，M.、Jitkrittum，W.、Sigal，L.、Xing，E.P.和Sugiyama，M.（2013）。通过特征线核化套索进行高维特征选择。神经计算，26185-207·Zbl 1410.68328号 [60] Yu，B.M.、Cunningham，J.P.、Santhanam，G.、Ryu，S.I.、Shenoy，K.V.和Sahani，M.（2009a）。神经群体活动的低维单次试验分析的高斯过程因子分析。D.Koller、D.Schuurmans、Y.Bengio和L.Bottou（编辑），《神经信息处理系统的进展》，21（第1881-1888页）。马萨诸塞州剑桥：麻省理工学院出版社， [61] Yu，B.M.、Cunningham，J.P.、Santhanam，G.、Ryu，S.I.、Shenoy，K.V.和Sahani，M.（2009b）。用于神经群体活动的低维单次试验分析的高斯过程因子分析。神经生理学杂志，102614-635， 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。