Estimating Excitatory and Inhibitory Synaptic Conductances from Spike Trains using a Recursive Bayesian Approach
Notice bibliographique
Résumé
Abstract Inference of excitatory and inhibitory synaptic conductances (SCs) from the spike trains is poorly addressed in the literature due to the complexity of the problem. As recent technological advancements make recording spikes from multiple (neighbor) neurons of a behaving animal (in some rare cases from humans) possible, this paper tackles the problem of estimating SCs solely from the recorded spike trains. Given an ensemble of spikes corresponding to population of neighbor neurons, we aim to infer the average excitatory and inhibitory SCs underlying the shared neural activity. In this paper, we extended our previously established Kalman filtering (KF)–based algorithm to incorporate the voltage-to-spike nonlinearity (mapping from membrane potential to spike rate). Having estimated the instantaneous spike rate using optimal linear filtering (Gaussian kernel), our proposed algorithm uses KF followed by expectation maximization (EM) algorithm in a recursive fashion to infer the average SCs. As the dynamics of SCs and membrane potential is included in our model, the proposed algorithm, unlike other related works, considers different sources of stochasticity, i.e., the variabilities of SCs, membrane potential, and spikes. Moreover, it is worth mentioning that our algorithm is blind to the external stimulus, and it performs only based on observed spikes. We validate the accuracy and practicality of our technique through simulation studies where leaky integrate and fire (LIF) model is used to generate spikes. We show that the estimated SCs can precisely track the original ones. Moreover, we show that the performance of our algorithm can be further improved given enough number of trials (spikes). As a rule of thumb, 50 trials of neurons with the average firing rate of 5 Hz can guarantee the accuracy of our proposed algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».