神经解码—刺激重构
之前一节提到了利用贝叶斯估计进行神经解码的策略,那么此时我们对于这种情况做出一下拓展:
- 此时我们用于解码的是连续时间下的神经信号响应
- 我们希望根据响应找出刺激s的最佳估计值 s b a y e s s_{bayes} sbayes
我们的解决方案:
- 由于是连续时间下的神经信号响应,因此计算 s b a y e s s_{bayes} sbayes时我们需要的是一个被平均了的,尽可能接近真实刺激的估计量
- 为了使我们的 s b a y e s s_{bayes} sbayes不断接近真实刺激,我们在这里引入误差函数这里引入均方误差MSE作为误差函数( M S E = ( S t r u e − S b a y e s ) 2 MSE=(S_{true}-S_{bayes})^2 MSE=(Strue−Sbayes)2)
- 我们的计算目标为找出能最小化误差函数的刺激
s
b
a
y
e
s
s_{bayes}
sbayes
计算 s b a y e s s_{bayes} sbayes的方法和上一节里求最大化后验解相同,即求导后等式右边为0(常数求导=0),进而通过数学变换求出最终解。
假设此时我们的响应只有一个单一的spike,那么
s
b
a
y
e
s
s_{bayes}
sbayes就可以被理解为(给定spike下产生刺激s的概率
p
[
s
∣
r
]
×
p[s|r]\times
p[s∣r]×该刺激
s
s
s)/1,也就是我们熟悉的spike triggered average。
通过利用spike triggered average,我们可以对于firing rate较高的神经信号数据进行较好刺激重构,重构出来的刺激往往呈现出神经编码时通过过滤器
f
f
f之后相对平滑的形态。(见上图红线)
欢迎大家关注公众号奇趣多多一起交流!