本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
神經元執行計算，並透過其輸出尖峰序列的統計結構傳達這些計算的結果。在這裡，我們提出了一種基於預測的資訊理論分析的實用方法，用於推斷該結構的最小表示並表徵其複雜性。從尖峰序列開始，我們的方法找到了它們的因果狀態模型（CSM）、能夠產生統計上相同的時間序列的最小隱馬可夫模型或隨機自動機。然後，我們使用這些 CSM 來客觀地量化尖峰序列的通用結構和特殊隨機性。具體來說，我們表明預期的演算法資訊內容（準確描述尖峰序列所需的資訊）可以分為三個部分，描述（1）最小尖峰生成過程的時不變結構（複雜性），它統計地描述尖峰序列；（2）最小尖峰生成過程的隨機性（內部熵率）； (3)最小尖峰生成過程未描述的殘餘純噪聲項。我們使用 CSM 來近似計算每個量。 CSM 是透過因果狀態分裂重建演算法從資料中非參數推斷的，僅做出溫和的規律性假設。這裡介紹的方法不僅描述了尖峰機率和尖峰序列熵，而且還描述了尖峰序列結構的複雜性，從而補充了更傳統的尖峰序列分析。我們使用模擬尖峰序列和觸鬚刺激期間大鼠桶狀皮質記錄的實驗數據來演示我們的方法。