Edyarich
commented
1 year ago Summary по статье:
Авторы статьи предлагают приближенное фильтрующее решение для общей задачи фильтрации точечных процессов (general point-process filter problem), когда условная интенсивность пиковой активности ячейки характеризуется с использованием смеси гауссиан. Они предлагают фильтрующее решение для точечных процессов (marked point-process), которое охватывает как кластеризованную (clustered, sorted), так и некластеризованную (clusterless, unsorted or raw-spiking activity). Предполагается, что апостериорное распределение на каждом временном шаге фильтрации может быть аппроксимировано с использованием модели гауссовой смеси (Gaussian Mixture Model), и авторы предлагают эффективный алгоритм для оценки оптимального количества компонентов смеси и их соответствующих весов, среднего значения и ковариационных оценок. Этот алгоритм обеспечивает решение многомерной задачи фильтрации точечных процессов в режиме реального времени и достигает точности, сравнимой с точным решением. Это решение использует преимущества алгоритмов разбрасывания и слияния смеси, которые в совокупности контролируют рост компонентов смеси на каждом временном шаге фильтрации. В статье применяется этот метод при расшифровке положения крысы в 1D и 2D пространствах, используя бескластерные пиковые данные ансамбля локальных клеток гиппокампа крысы. Приближенное решение при 1D и 2D декодировании более чем в 20 и 4000 раз быстрее точного решения соответственно, в то время как их точность при декодировании положения крысы снижается менее чем на 9% и 4% при RMSE и 95% покрытии с наибольшей вероятностью показатели эффективности в области (HPD). Хотя решение с фильтром с отмеченными точками (the marked-point filter solution) лучше подходит для задач декодирования в реальном времени, авторы статьи показывают, как решение с фильтром может быть применено к отсортированным пиковым данным (sorted spike data), чтобы лучше отразить универсальность предлагаемого метода.
DONE
TODO