Resumen

La caracterización precisa de las tasas de espigas, incluyendo la determinación de cuándo se producen los cambios en la actividad, es una cuestión fundamental en el análisis de los datos neurofisiológicos. Aquí describimos un modelo de estado-espacio para estimar la función de la tasa de picos que proporciona una estimación de máxima verosimilitud de la tasa de picos, evaluaciones de la bondad de ajuste del modelo, así como intervalos de confianza para la función de la tasa de picos y cualquier otra cantidad asociada de interés. Utilizando datos de picos simulados, comparamos primero el rendimiento del enfoque del espacio de estado con el de las splines de regresión adaptativa bayesiana (BARS) y un algoritmo de suavización de splines cúbicos simple. Mostramos que el modelo de espacio de estado es computacionalmente eficiente y comparable con otros enfoques de splines. Nuestros resultados sugieren un enfoque teórico y práctico para estimar las funciones de la tasa de espigas que es aplicable a una amplia gama de datos neurofisiológicos.

• Materias:Inteligencia artificial Sistema nervioso Imágenes diagnósticas Neurociencia Cognitiva Trastornos mentales
• Subjects:Artificial intelligence Nervous systems Diagnostic imaging Cognitive Neuroscience Mental disorders
• Palabras claves:función de tasa de espigas, modelo espacial, datos neurofisiológicos, estado, regresión adaptativa bayesiana, algoritmo de suavización spline, caracterización de espigas, spline de regresión adaptativa, tasa de disparo de espigas, estimaciones de máxima verosimilitud
• Keywords:spike rate function, space model, neurophysiological data, state, bayesian adaptive regression, spline smoothing algorithm, characterization of spike, adaptive regression spline, spike firing rate, maximum likelihood estimates