2、神经活动状态间的随机转换

神经活动状态间的随机转换

1. 神经数据变异性与传统分析方法

神经尖峰序列的测量，尤其是体内测量，显示出连续试验间存在显著的变异性，即便科学家们尽力控制所有外部变量保持恒定，这种变异性依然存在。从生态或进化的角度来看，生物大脑中的这种试验间变异性并不令人意外，因为大脑是在非稳定环境中进化的，可预测性会使人处于竞争劣势，缺乏变异性则可能阻碍发现更好的反应。然而，这种变异性给分析神经对环境刺激的反应带来了挑战。

面对具有泊松样变异性的点过程，传统的解决方案是假设大脑对每次刺激呈现产生相同的潜在反应，即反应代码。通过对多次试验进行平均，就可以去除单个尖峰序列内的不良变异性。将多次试验平均到单个细胞的刺激后时间直方图（PSTHs）中，一直是神经分析的核心，因为传统上，将多次试验的数据结合起来以获得足够的统计效力是至关重要的。

如今，多电极记录更为常见，因此这种试验平均不再必要。这促成了状态 - 空间广义线性模型的发展，这些模型在尖峰序列的实时解码中被证明特别有用。不过，通过PSTHs进行分析仍然是常态，因此分析多个细胞数据的典型方法是先对每个细胞的反应进行试验平均，然后再进行更复杂的分析，如主成分分析（PCA）。在没有明显更优的替代方法，或者没有有力证据表明这种试验平均会丢失重要信息的情况下，使用PSTHs作为神经数据分析的基础仍然是常规做法。

2. 隐马尔可夫模型（HMM）

2.1 HMM简介

HMM是一种统计方法，常用于工程领域的语音识别软件和生物学领域的DNA序列分析。到目前为止，HMM在神经科学中的应用并不频繁。

HMM假设存在两个马尔可夫过程，每个过程仅依赖于系统的当前状态，而与先前状态的历