×
陈哲;费比安·克鲁斯特曼;Brown，Emery N。;马修·威尔逊（Matthew A.Wilson）。

揭示大鼠海马群体神经元编码所代表的空间拓扑结构。 （英语） Zbl 1446.92036号

J.计算。神经科学。 33，第2期，227-255（2012）.
摘要：海马种群编码在空间环境表征和空间导航中发挥着重要作用。揭示海马群体代码的内部表征将有助于理解海马的神经机制。例如，在过去几十年中，发现大鼠海马（CA1）锥体细胞在航行或睡眠期间的模式一直是一个活跃的研究课题。然而，以往分析或解码群体神经元放电模式的方法都假设位置场的知识，而位置场是根据训练数据预先估计的。问题仍然不清楚，在没有先验知识或存在有限采样约束的情况下，我们如何从群体神经元反应中提取信息。找到这个问题的答案将利用我们在不同实验条件下检查群体神经元代码的能力。以大鼠海马为模型系统，我们试图揭示海马群体密码所代表的隐藏的“空间拓扑”。我们开发了一个隐马尔可夫模型（HMM）和一个变分贝叶斯（VB）推理算法来实现这一计算目标，并将分析应用于大量的仿真和实验数据。我们的实验结果为发现主动导航期间集合尖峰活动的结构模式提供了有希望的方向。这项研究也将为未来对睡眠期间群体神经元编码的探索性数据分析提供有用的见解。

引用于5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
62页第10页 统计学在生物学和医学中的应用；元分析
2005年6月2日 马尔可夫过程：估计；隐马尔可夫模型
2015年1月62日 贝叶斯推断

关键词：

隐马尔可夫模型;EM算法;变分贝叶斯推理;放置单元格;人口代码;空间拓扑;基于力的算法
PDF格式BibTeX公司 XML格式引用
\textit{Z.Chen}等人，J.Compute。神经科学。33，第2号，227--255（2012；Zbl 1446.92036）

参考文献：

[1] Watanabe，S.（2009年）。代数几何与统计学习理论马萨诸塞州剑桥：剑桥大学出版社·Zbl 1180.93108号
[2] Robert，C.P.（2001）。贝叶斯选择——决策论动机（第二版）。纽约：斯普林格·Zbl 0980.62005号
[3] 麦凯，D.J.C.（2003）。信息理论、推理和学习算法英国剑桥：剑桥大学出版社·Zbl 1055.94001号
[4] Gelman，A.、Carlin，J.B.、Stern，H.S.和Rubin，D.B.（2004）。贝叶斯数据分析（第二版）。英国伦敦：查普曼和霍尔/CRC·Zbl 1039.62018号
[5] Cox，T.F.和Cox，M.A.（2001年）。多维缩放英国伦敦：查普曼和霍尔·Zbl 1004.91067号
[6] Bishop，C.M.（2006年）。模式识别和机器学习纽约：Springer·Zbl 1107.68072号
[7] Bellman，R.（1957）。动态编程波士顿：普林斯顿大学出版社·Zbl 0077.13605号
[8] Katahira，K.、Nishikawa，J.、Okanoya，K.和Okada，M.（2010）。使用具有相关泊松分布的隐马尔可夫模型从多个尖峰序列中提取状态转移动力学。神经计算，22, 2369-2389. ·Zbl 1205.68290号
[9] Mackay，D.J.C.（1997年）。隐马尔可夫模型的集成学习。技术报告，英国剑桥大学卡文迪什实验室。
[10] van Gael，J.、Saatci，Y.、Teh，Y.W.和Ghahramani，Z.（2008年）。无限隐马尔可夫模型的波束采样。在程序。第25届国际会议机器学习芬兰赫尔辛基。
[11] Zhang，K。
[12] Zemel，R.S.、Dayan，P.和Pouget，A.（1998年）。人口代码的概率解释。神经计算，10, 403-430.
[13] Wu，W.，Chen，Z.，Gao，S.，&Brown，E.N.（2011）。一种用于学习多通道EEG时空分解的分层贝叶斯方法。神经影像，56(4), 1929-1945.
[14] Wood，E.R.、Dudchenko，P.A.、Robitsek，R.J.和Eichenbaum，H.（2000）。海马神经元对发生在同一位置的不同类型记忆事件的信息进行编码。神经元，27, 623-633.
[15] Wilson，M.A.和McNaughton，B.L.（1994年）。睡眠期间海马整体记忆的重新激活。科学，265, 676-679.
[16] Wilson，M.A.和McNaughton，B.L.（1993年）。海马整体空间代码的动力学。科学，261, 1055-1058.
[17] Wills，T.、Lever，C.、Cacucci，F.、Burgess，N.和O'Keefe，J.（2005）。海马局部环境表征中的吸引子动力学。科学，308, 873-876.
[18] 维特比·J（1967）。卷积码的误差界和渐近最优解码算法。IEEE信息理论汇刊，13，260-269·Zbl 0148.40501号
[19] Truccolo，W.、Eden，U.T.、Fellow，M.、Donoghue，J.P.和Brown，E.N.（2005）。将神经尖峰活动与尖峰历史、神经集成和协变量效应联系起来的点过程框架。神经生理学杂志，93, 1074-1089.
[20] Tollis，I.G.、di Battista，G.、Eades，P.和Tamassia，R.（1999）。图形绘制：图形可视化算法Englewood Cliffs，新泽西州：普伦蒂斯·霍尔·兹比尔1057.68653
[21] Teh，Y.W.、Jordan，M.I.、Beal，M.J.和Blei，D.M.（2006）。分层Dirichlet过程。美国统计协会杂志，101, 1566-1581. ·Zbl 1171.62349号
[22] Skaggs，W.E.和McNaughton，B.L.（1996）。空间体验后睡眠期间大鼠海马神经元放电序列的回放。科学，271, 1870-1873.
[23] Scott，S.L.（2002）。隐马尔可夫模型的贝叶斯方法：21世纪的递归计算。美国统计协会杂志，97, 337-351. ·Zbl 1073.65503号
[24] Rydén，T.（2008）。隐马尔可夫模型估计的EM与马尔可夫链蒙特卡罗：计算视角。贝叶斯分析，3(4), 659-688. ·Zbl 1330.65023号
[25] 拉宾纳，L.R.（1989年）。语音识别中隐藏马尔可夫模型和选定应用的教程。IEEE会议记录，77(2), 257-286.
[26] Pawitan，Y.（2001）。所有可能性：使用可能性进行统计建模和推断纽约：牛津大学出版社·Zbl 1013.62001号
[27] O'Keefe，J.和Nadel，N.（1978年）。海马体作为认知图谱。纽约：牛津大学出版社。
[28] McNaughton，B.L.、Battaglia，F.P.、Jensen，O.、Moser，E.I.和Moser的M.B.（2006）。路径整合和“认知地图”的神经基础。自然评论。神经科学，7, 663-678.
[29] McLachlan，G.J.和Krishnan，T.（2008）。EM算法及其扩展（第二版）。纽约：Wiley·Zbl 1165.62019号
[30] McGrory，C.A.和Titterington，D.M.（2009年）。隐马尔可夫模型的变分贝叶斯分析。澳大利亚和新西兰统计杂志，51(2), 227-244. ·Zbl 1337.62015年
[31] Louie，K.和Wilson，M.A.（2001年）。清醒海马整体活动的时间结构REM睡眠回放。神经元，29, 145-156.
[32] Lever，C.、Wills，T.、Cacucci，F.、Burgess，N.和O'Keefe，J.（2002）。环境几何学海马位置-细胞表征的长期可塑性。自然，416, 90-94.
[33] Lee，A.K.和Wilson，M.A.（2002年）。慢波睡眠期间海马体的顺序经验记忆。神经元，36, 1183-1194.
[34] Kemere，C.、Santhanam，G.、Yu，B.M.、Afshar，A.、Ryu，S.I.、Meng，T.H.等人（2008年）。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，100（4） 第2441-2452页。
[35] Katahira，K.、Watanabe，K.和Okada，M.（2008）。变分贝叶斯方法的确定性退火变量。物理学杂志：会议系列，95, 012015.
[36] Karlsson，M.P.和Frank，L.M.（2009年）。唤醒海马体中远程体验的回放。自然神经科学，12, 913-918.
[37] Jones，L.M.、Fontanini，A.、Sadacca，B.F.、Miller，P.和Katz，D.B.（2007年）。自然刺激在感觉皮层集合中唤起动态的状态序列。美国国家科学院院刊，104, 18772-18777.
[38] Ji，S.、Krishnapuram，B.和Carin，L.（2006）。连续隐马尔可夫模型的变分贝叶斯及其在主动学习中的应用。IEEE模式分析和机器智能汇刊，28(4), 522-532.
[39] Ji，D.和Wilson，M.A.（2007年）。睡眠过程中视觉皮层和海马体的协调记忆回放。自然神经科学，10, 100-107.
[40] Jackson，J.和Redish，A.D.（2007年）。海马细胞组装的网络动力学类似于单个任务中的多个空间图。海马，17, 1209-1229.
[41] Herbst，J.A.、Gammeter，S.、Ferrero，D.和Hahnlosser，R.H.R.（2008）。基于隐马尔可夫模型的峰值排序。神经科学方法杂志，174, 126-134.
[42] Harris，K.、Csicsvari，J.、Hirase，H.、Dragoi，G.和Buzsaki，G.（2003）。海马体细胞集合的组织。自然，424, 552-556.
[43] Gilks，W.R.、Richardson，S.和Spiegelhalter，D.J.（编辑）（1995年）。马尔可夫链蒙特卡罗法在实践中的应用英国伦敦：查普曼和霍尔/CRC。
[44] Foster，D.J.和Wilson，M.A.（2006年）。清醒状态下海马定位细胞中行为序列的反向回放。自然，440, 680-683.
[45] Frank，L.M.、Stanley，G.B.和Brown，E.N.（2004）《暴露于新环境的多日海马可塑性》。神经科学杂志，24, 7681-7689.
[46] Dragoi，G.和Tonegawa，S.（2011年）。通过海马细胞组件预演未来位置细胞序列。自然，469, 397-401.
[47] Diba，K.和Buzsaki，G.（2007年）。纹波期间海马的位置-细胞序列的正向和反向。自然神经科学，10, 1241-1242.
[48] Dempster，A.、Laird，N.和Rubin，D.（1977年）。通过EM算法从不完整数据中获得最大似然。英国皇家统计学会杂志，B辑，39(1), 1-38. ·Zbl 0364.62022号
[49] Davidson，T.J.、Kloosterman，F.和Wilson，M.A.（2009年）。扩展经验的海马回放。神经元，63, 497-507.
[50] Darmanjian，S.和Principie，J.C.（2009年）。使用隐马尔可夫模型的链接点对神经数据进行时空聚类。EURASIP信号处理进展杂志2009年，文章ID 892461·Zbl 1192.94040号
[51] Dabaghian，Y.、Cohn，A.G.和Frank，L.（2008）。海马体的拓扑编码。在线论文。arXiva:q-bio/0702052v1。
[52] Curto，C.和Itskov，V.（2008）。细胞群揭示了刺激空间的结构。公共科学图书馆计算生物学，4，e1000205。
[53] Chen，Z.、Putrino，D.、Ghosh，S.、Barbieri，R.和Brown，E.N.（2011年）。用稀疏尖峰数据评估神经元相互作用和功能连接的统计推断。IEEE神经系统与康复工程汇刊，19(2), 121-135.
[54] Chen，Z.、Vijayan，S.、Barbieri，R.、Wilson，M.A.和Brown，E.N.（2009年）。用于推断神经元上升和下降状态的离散和连续时间概率模型和算法。神经计算，21(7), 1797-1862. ·Zbl 1369.92018年9月
[55] Cappé，O.、Moulines，E.和Ryden，T.（2005）。隐马尔可夫模型中的推理纽约：Springer·Zbl 1080.62065号
[56] Buzsaki，G.（2006年）。大脑的节奏。英国伦敦：牛津大学出版社·Zbl 1204.92017年
[57] 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, 7411-7425.
[58] Brand，M.和Ketnaker，V.（2000年）。视频中活动的发现和分割。IEEE模式分析和机器智能汇刊，22（8） ，844-851。
[59] Brand，M.（1999）。通过熵先验和参数消去在条件概率模型中进行结构学习。神经计算，11, 1155-1182.
[60] Borg，I.和Groenen，P.（2005）。现代多维尺度：理论与应用（第二版）。纽约：斯普林格·Zbl 1085.62079号
[61] Beal，M.J.、Ghahramani，Z.和Rasmussen，C.E.（2002年）。无限隐马尔可夫模型。神经信息处理系统研究进展（第14卷）。马萨诸塞州剑桥：麻省理工学院出版社。
[62] Beal，M.J.（2003）。近似贝叶斯推理的变分算法.博士。论文，盖茨比计算神经科学单元，伦敦大学学院。
[63] Baum，L.E.、Petrie，T.、Soules，G.和Weiss，N.（1970年）。马尔可夫链概率函数统计分析中的最大化技术。数理统计年鉴，41(1), 164-171. ·Zbl 0188.49603号
[64] Amari，S.、Ozeki，T.和Park，H-Y.（2003年）。奇异性层次模型中的学习和推理。日本的系统和计算机，34(7), 34-42.
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。