9、多神经元放电模式发现与海马神经元模型动力学特性研究

多神经元放电模式发现与海马神经元模型动力学特性研究

1. 多神经元放电模式发现

1.1 研究背景

在神经科学领域，理解神经元的放电模式对于分析神经编码起着至关重要的作用。然而，我们事先并不知道真实尖峰序列数据集中存在哪些类型的模式，因此需要通过合适的方法来进行探索和识别。

1.2 实验方法与数据集

1.2.1 方法

提出了多步间隔 ISI 距离的概念，实现了尖峰序列的非线性映射，且无需对神经元尖峰序列进行分箱处理。基于此，提出了一种新的神经元对相似性度量方法，并使用谱聚类算法来检测多电极记录中的放电模式。

1.2.2 数据集

• IRIS 数据集 ：用于测试所提出方法在标准数据集上的有效性。通过对原始 IRIS 数据集进行谱聚类，以及基于多步间隔 ISI 距离的谱聚类，对比不同算法的正确性，结果表明该方法在该标准数据集上是有效的。
• 替代尖峰序列数据集 ：由于无法提前知晓真实尖峰序列数据集中的模式，使用替代数据集来测试所提出方法的性能。生成了包含 20 个神经元尖峰序列的替代数据集，实验结果表明，结合多步间隔 ISI 距离和谱聚类能够正确区分神经元的放电模式。
• 真实尖峰序列数据集（Y - 迷宫数据集） ：数据来自经过训练的大鼠，大鼠需执行 Y - 迷宫任务，尖峰序列记录来自大鼠的内侧前额叶皮质（mPFC）。选取了一个试验过程中的实验尖峰序列数据，时间从 3082s 到 3124s，持续 42s，包含 20 个神经元。结