Bayesian Coherence Analysis for Microcircuit Structure Learning.
Bayesian Coherence Analysis for Microcircuit Structure Learning.
复制标题
DOI：
10.1007/s12021-022-09608-0
复制
发表时间：
2023-01
期刊：
影响因子：
3
通讯作者：
中科院分区：
文献类型：
--
作者：
功能微电路模拟神经元的协调活动，在生理计算和行为中发挥重要作用。大多数现有的学习微电路结构的方法都是基于相关性的，并且通常会生成无法区分直接关联和间接关联的密集微电路。我们把微电路结构学习作为一个马尔可夫毯发现问题，并提出贝叶斯一致性分析（BCA），它利用贝叶斯网络架构称为贝叶斯网络与逆树结构，以有效地和有效地检测高维神经活动数据的马尔可夫毯。BCA在模拟数据上实现了平衡的灵敏度和特异性。对于现实世界的前外侧运动皮层研究，BCA确定了预测试验类型的微电路亚型，准确度为0.92。BCA是微电路结构学习的有力方法。
Functional microcircuits model the coordinated activity of neurons and play an important role in physiological computation and behaviors. Most existing methods to learn microcircuit structures are correlation-based and often generate dense microcircuits that cannot distinguish between direct and indirect association. We treat microcircuit structure learning as a Markov blanket discovery problem and propose Bayesian Coherence Analysis (BCA) which utilizes a Bayesian network architecture called Bayesian network with inverse-tree structure to efficiently and effectively detect Markov blankets for high-dimensional neural activity data. BCA achieved balanced sensitivity and specificity on simulated data. For the real-world anterior lateral motor cortex study, BCA identified microcircuit subtypes that predicted trial types with an accuracy of 0.92. BCA is a powerful method for microcircuit structure learning.
登录
查看更多内容
影响因子：
3
作者：
Chen R
通讯作者：
Chen R
影响因子：
25
作者：
Fujisawa, Shigeyoshi;Amarasingham, Asohan;Buzsaki, Gyoergy
通讯作者：
Buzsaki, Gyoergy
DOI：
10.1126/science.1179850
发表时间：
2010-01-29
期刊：
Science (New York, N.Y.)
影响因子：
--
作者：
Renart A;de la Rocha J;Bartho P;Hollender L;Parga N;Reyes A;Harris KD
通讯作者：
Harris KD
影响因子：
64.8
作者：
Schneidman, E;Berry, MJ;Bialek, W
通讯作者：
Bialek, W
影响因子：
64.8
作者：
Ohiorhenuan, Ifije E.;Mechler, Ferenc;Victor, Jonathan D.
通讯作者：
Victor, Jonathan D.