Resumen

A medida que los avances en neurotecnología nos permiten acceder a la actividad en conjunto de múltiples neuronas simultáneamente, muchos estudios neurofisiológicos han investigado cómo decodificar la actividad en conjunto de las neuronas. La actividad en conjunto de las neuronas de diferentes regiones cerebrales exhibe una variedad de características, lo que requiere enfoques de decodificación sustancialmente diferentes. Entre varios modelos, se sabe que un decodificador de entropía máxima aprovecha no solo la actividad de disparo individual sino también las interacciones entre las neuronas, extrayendo información de manera más precisa para los casos con actividad neuronal persistente y/o actividad de disparo de baja frecuencia. Sin embargo, no considera los cambios temporales en los estados neuronales y, por lo tanto, sería susceptible a un rendimiento deficiente para el procesamiento de información neuronal no estacionario. Para abordar este problema, desarrollamos un decodificador novedoso que extiende un decodificador de entropía máxima para tener en cuenta la información neural variable en el tiempo. Este decodificador combina un modelo de sistema dinámico

• Materias:Modelos matemáticos Conjuntos difusos Ecuaciones integrales Fusión de características Algoritmo de optimización
• Subjects:Mathematical models Fuzzy sets Integral equations Feature fusion Optimization algorithm
• Palabras claves:Avances; Neurotecnología; Actividad del conjunto; Enfoques de decodificación; Decodificador de entropía máxima; Información variable en el tiempo
• Keywords:Advances; Neurotechnology; Ensemble activity; Decoding approaches; Maximum entropy decoder; Time-varying information