Resumen

En los últimos años han aparecido matrices de microelectrodos y métodos ópticos que permiten el registro simultáneo de la actividad de picos de poblaciones de neuronas en diversas partes del sistema nervioso. El análisis de datos de trenes de espigas neuronales múltiples podría beneficiarse significativamente de los métodos existentes para el análisis de series temporales multivariantes, que han demostrado ser muy potentes en el modelado y análisis de señales neuronales continuas como las señales de EEG. Sin embargo, estos métodos no han sido generalmente bien adaptados a los procesos puntuales. Aquí, utilizamos nuestros resultados recientes sobre las distorsiones de la correlación en los modelos multivariantes de neuronas de pico lineales-no lineales-Poisson para derivar ecuaciones generalizadas de tipo Yule-Walker para ajustar modelos multivariantes autorregresivos "ocultos". Utilizamos este nuevo marco para llevar a cabo un análisis de causalidad de Granger con el fin de extraer el patrón de flujo de información dirigido en redes de neuronas de pico simuladas. Discutimos los méritos y las limitaciones relativas del nuevo método.

• Materias:Inteligencia artificial Sistema nervioso Imágenes diagnósticas Neurociencia Cognitiva Trastornos mentales
• Subjects:Artificial intelligence Nervous systems Diagnostic imaging Cognitive Neuroscience Mental disorders
• Palabras claves:patrón de flujo de información, aparición de microelectrodos, neuronas con pico de Poisson, neuronas con pico simuladas, modelo de neuronas con pico, análisis de causalidad de Granger, datos de tren de picos, población de neuronas, señal neuronal continua, nuevos métodos
• Keywords:information flow pattern, emergence of microelectrode, poisson spiking neurons, simulated spiking neurons, spiking neurons model, granger causality analysis, spike train data, population of neurons, continuous neural signal, new methods