micro-drive-array-for-chronic-in-vivo-recording-drive-fabrication

Micro-drive Array for Chronic <em>in vivo</em> Recording: Drive Fabrication

Chronic recording of large populations of neurons is a valuable technique for studying the function of neuronal circuits in awake behaving rats. ...

micro-drive-array-for-chronic-in-vivo-recording-tetrode-assembly

Micro-drive Array for Chronic <em>in vivo</em> Recording: Tetrode Assembly

The tetrode, a bundle of four electrodes, has proven to be a valuable tool for the simultaneous recording of multiple neurons in-vivo.  The differential ...

MIT - Massachusetts Institute of Technology

&#x591A;&#x7535;&#x6781;&#x8BB0;&#x5F55;&#x795E;&#x7ECF;&#x7EC4;&#x7EC7;&#x4E2D;&#x7684;&#x5305;&#x542B;&#x8BB8;&#x591A;&#x5BC6;&#x795E;&#x7ECF;&#x5143;&#x52A8;&#x4F5C;&#x7535;&#x4F4D;&#x6CE2;&#x5F62;&#x3002;&#x867D;&#x7136;&#x6211;&#x4EEC;&#x53EF;&#x4EE5;&#x89C2;&#x5BDF;&#x52A8;&#x4F5C;&#x7535;&#x4F4D;&#x6CE2;&#x5F62;&#xFF0C;&#x6211;&#x4EEC;&#x4E0D;&#x80FD;&#x89C2;&#x5BDF;&#x5230;&#x54EA;&#x4E9B;&#x795E;&#x7ECF;&#x5143;&#x662F;&#x54EA;&#x4E2A;&#x6CE2;&#x5F62;&#x7684;&#x6E90;&#x4E5F;&#x6B63;&#x5728;&#x8BB0;&#x5F55;&#x591A;&#x5C11;&#x6E90;&#x795E;&#x7ECF;&#x5143;&#x3002;&#x5F53;&#x524D;&#x7A57;&#x6392;&#x5E8F;&#x7B97;&#x6CD5;&#x89E3;&#x51B3;&#x8FD9;&#x4E2A;&#x95EE;&#x9898;&#xFF0C;&#x901A;&#x8FC7;&#x5047;&#x8BBE;&#x56FA;&#x5B9A;&#x7684;&#x6570;&#x91CF;&#x7684;&#x6E90;&#x795E;&#x7ECF;&#x5143;&#x548C;&#x6307;&#x6D3E;&#x9274;&#x4E8E;&#x6B64;&#x56FA;&#x5B9A;&#x7684;&#x6570;&#x76EE;&#x7684;&#x52A8;&#x4F5C;&#x7535;&#x4F4D;&#x3002;&#x6211;&#x4EEC;&#x7684;&#x6A21;&#x578B;&#x4F5C;&#x4E3A;&#x5404;&#x5411;&#x5F02;&#x6027;&#x9AD8;&#x65AF;&#x6DF7;&#x5408;&#x6A21;&#x578B;&#x548C;&#x793C;&#x7269;&#xFF0C;&#x4F5C;&#x4E3A;&#x66FF;&#x4EE3;&#xFF0C;&#x53EF;&#x9006;&#x8DF3;&#x9A6C;&#x5C14;&#x53EF;&#x592B;&#x94FE;&#x8499;&#x7279;&#x5361;&#x7F57; (MCMC) &#x7B97;&#x6CD5;&#x540C;&#x65F6;&#x4F30;&#x8BA1;&#x6E90;&#x795E;&#x7ECF;&#x5143;&#x6570;&#x76EE;&#xFF0C;&#x5E76;&#x5C06;&#x6BCF;&#x4E2A;&#x52A8;&#x4F5C;&#x7535;&#x4F4D;&#x5206;&#x914D;&#x7ED9;&#x6E90;&#x7A57;&#x6CE2;&#x5F62;&#x3002;&#x6211;&#x4EEC;&#x6D3E;&#x751F;&#x6B64; MCMC &#x7B97;&#x6CD5;&#xFF0C;&#x5E76;&#x8BF4;&#x660E;&#x4F7F;&#x7528;&#x6A21;&#x62DF;&#x4E09;&#x7EF4;&#x6570;&#x636E;&#x548C;&#x771F;&#x6B63;&#x56DB;&#x7EF4;&#x7279;&#x5F81;&#x5411;&#x91CF;&#x63D0;&#x53D6;&#x56DB;&#x5F55;&#x5236;&#x7684;&#x5927;&#x9F20;&#x5185;&#x55C5;&#x76AE;&#x8D28;&#x795E;&#x7ECF;&#x5143;&#x53CA;&#x5176;&#x5E94;&#x7528;&#x3002;&#x6A21;&#x62DF;&#x6570;&#x636E;&#x7684;&#x5206;&#x6790;&#x4E2D;&#x6211;&#x4EEC;&#x7684;&#x7B97;&#x6CD5;&#x627E;&#x5230;&#x6B63;&#x786E;&#x6570;&#x91CF;&#x7684;&#x6DF7;&#x5408;&#x7EC4;&#x4EF6; &#xFF08;&#x6E90;&#xFF09; &#x548C;&#x5206;&#x7C7B;&#x52A8;&#x4F5C;&#x7535;&#x4F4D;&#x6CE2;&#x5F62;&#x4E0E;&#x8BEF;&#x5DEE;&#x6700;&#x5C0F;&#x3002;&#x5728;&#x5B9E;&#x9645;&#x6570;&#x636E;&#x7684;&#x5206;&#x6790;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x7684;&#x7B97;&#x6CD5;&#x6807;&#x8BC6;&#x76F8;&#x8FD1;&#x90A3;&#x4E9B;&#x4EE5;&#x524D;&#x7531;&#x4E00;&#x4E2A;&#x4F9D;&#x8D56;&#x4E8E;&#x7528;&#x6237;&#x7684;&#x56FE;&#x5F62;&#x805A;&#x7C7B;&#x8FC7;&#x7A0B;&#x6240;&#x6807;&#x8BC6;&#x7684;&#x96C6;&#x7FA4;&#x3002;&#x6211;&#x4EEC;&#x7684;&#x7814;&#x7A76;&#x7ED3;&#x679C;&#x8868;&#x660E;&#x53EF;&#x9006;&#x8DF3; MCMC &#x7B97;&#x6CD5;&#x53EF;&#x63D0;&#x4F9B;&#x8BBE;&#x8BA1;&#x81EA;&#x52A8;&#x5316;&#x7684;&#x7A57;&#x6392;&#x5E8F;&#x7B97;&#x6CD5;&#x7684;&#x65B0;&#x6218;&#x7565;&#x3002;

&#x53EF;&#x9006;&#x8DF3;&#x9A6C;&#x5C14;&#x53EF;&#x592B;&#x94FE;&#x8499;&#x7279;&#x5361;&#x7F57;&#x591A;&#x5143;&#x80DE;&#x5916;&#x5F55;&#x5236;&#x7A57;&#x5206;&#x7C7B;&#x7684;&#x5E94;&#x7528;&#x3002;

Multi-electrode recordings in neural tissue contain the action potential waveforms of many closely spaced neurons. While we can observe the action potential waveforms, we cannot observe which neuron is the source for which waveform nor how many source neurons are being recorded. Current spike-sorting algorithms solve this problem by assuming a fixed number of source neurons and assigning the action potentials given this fixed number. We model the spike waveforms as an anisotropic Gaussian mixture model and present, as an alternative, a reversible-jump Markov chain Monte Carlo (MCMC) algorithm to simultaneously estimate the number of source neurons and to assign each action potential to a source. We derive this MCMC algorithm and illustrate its application using simulated three-dimensional data and real four-dimensional feature vectors extracted from tetrode recordings of rat entorhinal cortex neurons. In the analysis of the simulated data our algorithm finds the correct number of mixture components (sources) and classifies the action potential waveforms with minimal error. In the analysis of real data, our algorithm identifies clusters closely resembling those previously identified by a user-dependent graphical clustering procedure. Our findings suggest that a reversible-jump MCMC algorithm could offer a new strategy for designing automated spike-sorting algorithms.

An application of reversible-jump Markov chain Monte Carlo to spike classification of multi-unit extracellular recordings.

R&eacute;seau d&#39;&eacute;lectrodes multiples enregistrements dans le tissu nerveux contiennent les formes d&#39;onde du potentiel d&#39;action de plusieurs neurones rapproch&eacute;es. Alors que nous pouvons observer les formes d&#39;onde du potentiel d&#39;action, nous ne pouvons pas observer quel neurone est la source pour les formes d&#39;ondes, ni combien neurones source sont en cours d&#39;enregistrement. Algorithmes de tri spike actuels r&eacute;solvent ce probl&egrave;me en supposant un nombre fixe de neurones de la source et en assignant les potentiels d&#39;action compte tenus de ce nombre fixe. Nous mod&eacute;lisons les formes d&#39;onde du pic comme un mod&egrave;le de m&eacute;lange gaussien anisotrope et le pr&eacute;sent, comme alternative, un algorithme r&eacute;versible-saut Markov cha&icirc;ne Monte Carlo (MCMC) pour estimer simultan&eacute;ment le nombre de neurones de la source et d&#39;assigner chaque potentiel d&#39;action &agrave; une source. Nous tirer de cet algorithme MCMC et illustrer son application &agrave; l&#39;aide des donn&eacute;es tridimensionnelles simul&eacute;es et vecteurs de fonctionnalit&eacute; r&eacute;el &agrave; quatre dimensions extraites d&#39;enregistrements t&eacute;trode des neurones de cortex entorhinal rat. Dans l&#39;analyse des donn&eacute;es simul&eacute;es, notre algorithme trouve le nombre exact des composants du m&eacute;lange (sources) et classifie les formes d&#39;onde du potentiel d&#39;action avec un minimum d&#39;erreurs. Dans l&#39;analyse de donn&eacute;es r&eacute;elles, notre algorithme identifie des grappes ressemblant &eacute;troitement &agrave; celles pr&eacute;c&eacute;demment identifi&eacute;s par une proc&eacute;dure de mise en cluster graphique sp&eacute;cifique &agrave; l&#39;utilisateur. Nos r&eacute;sultats sugg&egrave;rent qu&#39;un algorithme MCMC r&eacute;versible-saut pourrait offrir une nouvelle strat&eacute;gie pour concevoir des algorithmes de tri spike automatis&eacute;s.

Une application de Monte Carlo par cha&icirc;nes de Markov r&eacute;versible-saut spike classification des immeubles &agrave; logements multiples enregistrements extracellulaires.

Eine Anwendung von reversiblen Sprung-Markov-Ketten-Monte-Carlo zu Spike Klassifizierung von Multi-Unit-extrazellul&#xE4;re Ableitungen.

Gitale registrazioni nel tessuto neurale contengono le forme d&#39;onda potenziale d&#39;azione di molti neuroni ravvicinati. Mentre possiamo osservare le forme d&#39;onda del potenziale d&#39;azione, non possiamo osservare quale neurone &egrave; la fonte per cui forma d&#39;onda n&eacute; quanti neuroni di origine vengono registrati. Algoritmi di ordinamento a spike correnti risolvono questo problema assumendo un numero fisso di neuroni di origine e assegnando i potenziali di azione dati questo numero fisso. Abbiamo il modello le forme d&#39;onda di picco come un modello di miscela gaussiana anisotropo e presente, in alternativa, un reversibile-salto Markov chain Monte Carlo (MCMC) algoritmo simultaneamente stimare il numero di neuroni di origine e di assegnare ogni potenziale d&#39;azione a una fonte. Noi derivare questo algoritmo MCMC e illustrare la sua applicazione utilizzando dati tridimensionali simulati e vettori caratteristica reale quadridimensionale estratti da registrazioni tetrodo di neuroni di corteccia entorinale ratto. Nell&#39;analisi dei dati simulati nostro algoritmo rileva il corretto numero di componenti della miscela (fonti) e classifica le forme d&#39;onda potenziale d&#39;azione con il minimo errore. L&#39;analisi di dati reali, il nostro algoritmo identifica grappoli molto somiglianti a quelli precedentemente individuati da una procedura di clustering grafica utente-dipendente. I nostri risultati suggeriscono che un algoritmo MCMC reversibile-salto potrebbe offrire una nuova strategia per la progettazione di algoritmi di ordinamento spike automatizzati.

Un&#39;applicazione di reversibile-salto di catena di Markov Monte Carlo a spike classificazione delle pi&ugrave; imponenti registrazioni extracellulari.

&#x591A;&#x96FB;&#x6975;&#x9332;&#x97F3;&#x795E;&#x7D4C;&#x7D44;&#x7E54;&#x3067;&#x591A;&#x304F;&#x306E;&#x5BC6;&#x63A5;&#x306B;&#x9593;&#x9694;&#x3092;&#x3042;&#x3051;&#x3089;&#x308C;&#x305F;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x6D3B;&#x52D5;&#x96FB;&#x4F4D;&#x6CE2;&#x5F62;&#x3092;&#x542B;&#x307F;&#x307E;&#x3059;&#x3002;&#x6D3B;&#x52D5;&#x96FB;&#x4F4D;&#x6CE2;&#x5F62;&#x3092;&#x89B3;&#x5BDF;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x304C;&#x3001;&#x6211;&#x3005; &#x3069;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x30BD;&#x30FC;&#x30B9;&#x6CE2;&#x5F62;&#x3092;&#x3082;&#x3069;&#x306E;&#x3088;&#x3046;&#x306B;&#x591A;&#x304F;&#x306E;&#x30BD;&#x30FC;&#x30B9;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x304C;&#x8A18;&#x9332;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x3092;&#x89B3;&#x5BDF;&#x3059;&#x308B;&#x3053;&#x3068;&#x306F;&#x3067;&#x304D;&#x307E;&#x305B;&#x3093;&#x3002;&#x96FB;&#x6D41;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x4E26;&#x3079;&#x66FF;&#x3048;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306F;&#x3001;&#x30BD;&#x30FC;&#x30B9;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x6570;&#x304C;&#x56FA;&#x5B9A;&#x3068;&#x4EEE;&#x5B9A;&#x3059;&#x308B;&#x3068;&#x3001;&#x3053;&#x306E;&#x56FA;&#x5B9A;&#x306E;&#x756A;&#x53F7;&#x3092;&#x4E0E;&#x3048;&#x3089;&#x308C;&#x305F;&#x6D3B;&#x52D5;&#x96FB;&#x4F4D;&#x3092;&#x5272;&#x308A;&#x5F53;&#x3066;&#x308B;&#x3053;&#x3068;&#x306B;&#x3088;&#x3063;&#x3066;&#x3053;&#x306E;&#x554F;&#x984C;&#x3092;&#x89E3;&#x6C7A;&#x3057;&#x307E;&#x3059;&#x3002;&#x7570;&#x65B9;&#x6027;&#x30AC;&#x30A6;&#x30B9;&#x6DF7;&#x5408;&#x30E2;&#x30C7;&#x30EB;&#x3068;&#x3001;&#x30EA;&#x30D0;&#x30FC;&#x30B7;&#x30D6;&#x30EB; &#x30B8;&#x30E3;&#x30F3;&#x30D7; &#x30DE;&#x30EB;&#x30B3;&#x30D5;&#x306E;&#x30C1;&#x30A7;&#x30FC;&#x30F3; &#x30E2;&#x30F3;&#x30C6;&#x30AB;&#x30EB;&#x30ED;&#x6CD5; (MCMC) &#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x540C;&#x6642;&#x306B;&#x30BD;&#x30FC;&#x30B9;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x6570;&#x3092;&#x63A8;&#x5B9A;&#x3057;&#x3066;&#x5404;&#x6D3B;&#x52D5;&#x96FB;&#x4F4D;&#x3092;&#x30BD;&#x30FC;&#x30B9;&#x306B;&#x5272;&#x308A;&#x5F53;&#x3066;&#x308B;&#x306B;&#x4EE3;&#x308F;&#x308B;&#x3082;&#x306E;&#x3068;&#x3057;&#x3066;&#x3001;&#x73FE;&#x5728;&#x3068;&#x3057;&#x3066;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x6CE2;&#x5F62;&#x3092;&#x30E2;&#x30C7;&#x30EB;&#x5316;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E; MCMC &#x6CD5;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x5C0E;&#x51FA;&#x3057;&#x3001;&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30B7;&#x30E7;&#x30F3; 3&#x6B21;&#x5143;&#x30C7;&#x30FC;&#x30BF;&#x304B;&#x3089;&#x30DE;&#x30EB;&#x30C1;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3; &#x30E9;&#x30C3;&#x30C8;&#x55C5;&#x76AE;&#x8CEA;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x5B9F;&#x8CEA;&#x56DB;&#x6B21;&#x5143;&#x7279;&#x5FB4;&#x30D9;&#x30AF;&#x30C8;&#x30EB;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x305D;&#x306E;&#x30A2;&#x30D7;&#x30EA;&#x30B1;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30C8;&#x3055;&#x308C;&#x305F;&#x30C7;&#x30FC;&#x30BF;&#x306E;&#x5206;&#x6790;&#x6211;&#x3005; &#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306F;&#x6DF7;&#x5408;&#x7269;&#x306E;&#x30B3;&#x30F3;&#x30DD;&#x30FC;&#x30CD;&#x30F3;&#x30C8; (&#x30BD;&#x30FC;&#x30B9;) &#x306E;&#x6B63;&#x3057;&#x3044;&#x6570;&#x3092;&#x691C;&#x7D22;&#x3057;&#x3001;&#x6D3B;&#x52D5;&#x96FB;&#x4F4D;&#x6CE2;&#x5F62;&#x6700;&#x5C0F;&#x9650;&#x306E;&#x30A8;&#x30E9;&#x30FC;&#x306B;&#x5206;&#x985E;&#x3057;&#x307E;&#x3059;&#x3002;&#x5B9F;&#x30C7;&#x30FC;&#x30BF;&#x306E;&#x5206;&#x6790;&#x3067;&#x306F;&#x3001;&#x6211;&#x3005; &#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306F;&#x5BC6;&#x63A5;&#x306B;&#x4EE5;&#x524D;&#x30E6;&#x30FC;&#x30B6;&#x30FC;&#x4F9D;&#x5B58;&#x306E;&#x30B0;&#x30E9;&#x30D5;&#x30A3;&#x30AB;&#x30EB;&#x306A;&#x30AF;&#x30E9;&#x30B9;&#x30BF;&#x30FC;&#x5316;&#x306B;&#x3088;&#x3063;&#x3066;&#x8B58;&#x5225;&#x3055;&#x308C;&#x308B;&#x306B;&#x4F3C;&#x3066;&#x3044;&#x308B;&#x30AF;&#x30E9;&#x30B9;&#x30BF;&#x30FC;&#x3092;&#x8B58;&#x5225;&#x3057;&#x307E;&#x3059;&#x3002;&#x30EA;&#x30D0;&#x30FC;&#x30B7;&#x30D6;&#x30EB; &#x30B8;&#x30E3;&#x30F3;&#x30D7; MCMC &#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x304C;&#x81EA;&#x52D5;&#x5316;&#x3055;&#x308C;&#x305F;&#x30B9;&#x30D1;&#x30A4;&#x30AF; &#x30BD;&#x30FC;&#x30C6;&#x30A3;&#x30F3;&#x30B0; &#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x8A2D;&#x8A08;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x65B0;&#x305F;&#x306A;&#x6226;&#x7565;&#x3092;&#x63D0;&#x4F9B;&#x3067;&#x304D;&#x308B;&#x3053;&#x3068;&#x304C;&#x793A;&#x5506;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x3002;

&#x30EA;&#x30D0;&#x30FC;&#x30B7;&#x30D6;&#x30EB; &#x30B8;&#x30E3;&#x30F3;&#x30D7; &#x30DE;&#x30EB;&#x30B3;&#x30D5;&#x9023;&#x9396;&#x30E2;&#x30F3;&#x30C6;&#x30AB;&#x30EB;&#x30ED;&#x6CD5;&#x30DE;&#x30EB;&#x30C1; &#x30E6;&#x30CB;&#x30C3;&#x30C8;&#x306E;&#x7D30;&#x80DE;&#x5916;&#x8A18;&#x9332;&#x306E;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x5206;&#x985E;&#x3078;&#x306E;&#x5FDC;&#x7528;&#x3002;

&#xC2E0;&#xACBD; &#xC870;&#xC9C1;&#xC5D0;&#xC11C; multi-electrode &#xB179;&#xC74C; &#xD3EC;&#xD568; &#xB9CE;&#xC740; &#xBC00;&#xC811; &#xD558; &#xAC8C; &#xAC04;&#xACA9; &#xB454;&#xB41C; &#xC2E0;&#xACBD; &#xC138;&#xD3EC;&#xC758; &#xD65C;&#xB3D9; &#xC804;&#xC704; &#xD30C;&#xD615;. &#xC6B0;&#xB9AC; &#xD65C;&#xB3D9; &#xC804;&#xC704; &#xD30C;&#xD615;&#xC744; &#xBCFC; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;, &#xADF8;&#xB7EC;&#xB098; &#xC6B0;&#xB9AC;&#xB294; &#xB274;&#xB7F0;&#xC740; &#xC5B4;&#xB5A4; &#xD30C;&#xD615;&#xC5D0; &#xB300; &#xD55C; &#xC18C;&#xC2A4;&#xB3C4; &#xC5BC;&#xB9C8;&#xB098; &#xB9CE;&#xC740; &#xC18C;&#xC2A4; &#xB274;&#xB7F0; &#xAE30;&#xB85D; &#xB418; &#xACE0; &#xAD00;&#xCC30; &#xC218; &#xC5C6;&#xC2B5;&#xB2C8;&#xB2E4;. &#xD604;&#xC7AC; &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xC815;&#xB82C; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xC18C;&#xC2A4; &#xB274;&#xB7F0;&#xC758; &#xACE0;&#xC815;&#xB41C; &#xB41C; &#xAC00;&#xC815;&#xC774; &#xACE0;&#xC815;&#xB41C; &#xBC88;&#xD638; &#xBD80;&#xC5EC; &#xC791;&#xC5C5; &#xC7A0;&#xC7AC;&#xB825;&#xC744; &#xD560;&#xB2F9; &#xD558; &#xC5EC;&#xC774; &#xBB38;&#xC81C;&#xB97C; &#xD574;&#xACB0; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC; &#xBAA8;&#xB378; &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xD30C;&#xD615; &#xC774;&#xBC29;&#xC131; &#xAC00;&#xC6B0;&#xC2A4; &#xD63C;&#xD569; &#xBAA8;&#xB378; &#xBC0F; &#xD604;&#xC7AC;, &#xB300;&#xC2E0;, &#xAC00;&#xC5ED; &#xC810;&#xD504; &#xB9C8;&#xB974;&#xCF54;&#xD504; &#xCCB4;&#xC778; &#xBAAC;&#xD14C; &#xCE74;&#xB97C;&#xB85C; (MCMC) &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xB3D9;&#xC2DC;&#xC5D0; &#xC18C;&#xC2A4; &#xC2E0;&#xACBD; &#xC138;&#xD3EC;&#xC758; &#xC218;&#xB97C; &#xC608;&#xCE21; &#xD558; &#xACE0; &#xAC01; &#xD65C;&#xB3D9; &#xC804;&#xC704;&#xB97C; &#xC18C;&#xC2A4;&#xC5D0; &#xD560;&#xB2F9; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xC774; MCMC &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xD30C;&#xC0DD; &#xD558; &#xACE0; &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158;&#xB41C; 3 &#xCC28;&#xC6D0; &#xB370;&#xC774;&#xD130;&#xC640; &#xC950; entorhinal &#xD53C; &#xC9C8; &#xC2E0;&#xACBD; &#xC138;&#xD3EC;&#xC758; tetrode &#xB179;&#xC74C;&#xC5D0;&#xC11C; &#xCD94;&#xCD9C;&#xD55C; &#xC9C4;&#xC9DC; 4 &#xCC28;&#xC6D0; &#xD2B9;&#xC9D5; &#xBCA1;&#xD130;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8;&#xC744; &#xBCF4;&#xC5EC; &#xC90D;&#xB2C8;&#xB2E4;. &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158;&#xB41C; &#xB370;&#xC774;&#xD130;&#xC758; &#xBD84;&#xC11D;&#xC5D0;&#xC11C; &#xC6B0;&#xB9AC;&#xC758; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xD63C;&#xD569; &#xAD6C;&#xC131; &#xC694;&#xC18C; (&#xC6D0;&#xBCF8;)&#xC758; &#xC815;&#xD655;&#xD55C; &#xC218;&#xB97C; &#xCC3E;&#xC544; &#xCD5C;&#xC18C;&#xD55C;&#xC758; &#xC624;&#xB958;&#xB85C; &#xD65C;&#xB3D9; &#xC804;&#xC704; &#xD30C;&#xD615;&#xC744; &#xBD84;&#xB958;. &#xC2E4;&#xC81C; &#xB370;&#xC774;&#xD130;&#xC758; &#xBD84;&#xC11D;&#xC5D0;&#xC11C; &#xC6B0;&#xB9AC;&#xC758; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xBC00;&#xC811; &#xD558; &#xAC8C; &#xB2EE;&#xC740; &#xC0AC;&#xC6A9;&#xC790; &#xC885;&#xC18D; &#xADF8;&#xB798;&#xD53D; &#xD074;&#xB7EC;&#xC2A4;&#xD130;&#xB9C1; &#xC808;&#xCC28;&#xC5D0; &#xC758;&#xD574; &#xC774;&#xC804;&#xC5D0; &#xD655;&#xC778; &#xB41C; &#xD074;&#xB7EC;&#xC2A4;&#xD130;&#xB97C; &#xC2DD;&#xBCC4; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xC758; &#xC5F0;&#xAD6C; &#xACB0;&#xACFC; &#xAC00;&#xC5ED; &#xC810;&#xD504; MCMC &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xC124;&#xACC4; &#xC790;&#xB3D9;&#xD654; &#xB41C; &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xC815;&#xB82C; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC5D0; &#xB300; &#xD55C; &#xC0C8;&#xB85C;&#xC6B4; &#xC804;&#xB7B5;&#xC744; &#xC81C;&#xACF5;&#xD560; &#xC218; &#xC788;&#xB294; &#xAC83;&#xC774; &#xC88B;&#xC2B5;&#xB2C8;&#xB2E4;.

&#xBA40;&#xD2F0; &#xC138;&#xD3EC; &#xC678; &#xAE30;&#xB85D;&#xC758; &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xBD84;&#xB958; &#xAC00;&#xC5ED; &#xC810;&#xD504; &#xB9C8;&#xB974;&#xCF54;&#xD504; &#xCCB4;&#xC778; &#xBAAC;&#xD14C; &#xCE74;&#xB97C;&#xB85C;&#xC758; &#xC751;&#xC6A9;.

Multi-electrodo grabaciones en el tejido nervioso contienen las formas de onda del potencial de acci&oacute;n de muchas neuronas espaciadas. Mientras que podemos observar las formas de onda de potencial de acci&oacute;n, nosotros no podemos observar que la neurona es la fuente para que a la forma de onda ni cu&aacute;ntas neuronas de origen se est&aacute; grabando. Algoritmos de ordenaci&oacute;n de punto actuales resuelven este problema asumiendo un n&uacute;mero fijo de las neuronas de la fuente y asignando los potenciales de acci&oacute;n dados este n&uacute;mero fijo. Modelizamos las formas de onda de pico como un modelo anisotr&oacute;pico mezcla gaussiano y presente, como alternativa, un salto reversible Markov cadena Monte Carlo (MCMC) algoritmo estimar simult&aacute;neamente el n&uacute;mero de neuronas de la fuente y asignar a cada potencial de acci&oacute;n a una fuente. Deriva de este algoritmo MCMC e ilustra su aplicaci&oacute;n utilizando datos tridimensionales simulados y vectores de la caracter&iacute;stica real cuadridimensional extra&iacute;dos de grabaciones tetrodo de neuronas de la corteza entorrinal rata. En el an&aacute;lisis de los datos simulados nuestro algoritmo encuentra el n&uacute;mero correcto de los componentes de la mezcla (fuentes) y clasifica las formas de onda del potencial de acci&oacute;n con el m&iacute;nimo error. En el an&aacute;lisis de datos reales, nuestro algoritmo identifica racimos muy parecidas a las previamente identificados por un procedimiento de agrupaci&oacute;n gr&aacute;fico dependiente del usuario. Nuestros resultados sugieren que un algoritmo MCMC reversible-salto podr&iacute;a ofrecer una nueva estrategia para el dise&ntilde;o de algoritmos de ordenaci&oacute;n de punto automatizadas.

Una aplicaci&oacute;n de salto reversible cadena de Markov Monte Carlo para clasificaci&oacute;n de espiga de m&uacute;ltiples grabaciones extracelulares.

&#x795E;&#x7ECF;&#x7A57;&#x5217;&#x8F66;&#x89E3;&#x7801;&#x7B97;&#x6CD5;&#x548C;&#x6280;&#x672F;&#xFF0C;&#x8BA1;&#x7B97;&#x9999;&#x519C;&#x4E92;&#x4FE1;&#x606F;&#x5F88;&#x91CD;&#x8981;&#x5982;&#x4F55;&#x795E;&#x7ECF;&#x7684;&#x7CFB;&#x7EDF;&#x5206;&#x6790;&#x65B9;&#x6CD5;&#x7684;&#x4EE3;&#x8868;&#x751F;&#x7269;&#x4FE1;&#x53F7;&#x3002;&#x89E3;&#x7801;&#x7B97;&#x6CD5;&#x4E5F;&#x662F;&#x88AB;&#x7528;&#x6765;&#x8BBE;&#x8BA1;&#x7684;&#x8111;-&#x673A;&#x63A5;&#x53E3;&#x7684;&#x63A7;&#x4EF6;&#x7684;&#x51E0;&#x79CD;&#x7B56;&#x7565;&#x4E4B;&#x4E00;&#x3002;&#x5F00;&#x53D1;&#x8BBE;&#x8BA1;&#x89E3;&#x7801;&#x7B97;&#x6CD5;&#x548C;&#x8BA1;&#x7B97;&#x4E92;&#x4FE1;&#x606F;&#x56E0;&#x6B64;&#x662F;&#x8BA1;&#x7B97;&#x795E;&#x7ECF;&#x79D1;&#x5B66;&#x4E2D;&#x91CD;&#x8981;&#x95EE;&#x9898;&#x7684;&#x6700;&#x4F18;&#x7B56;&#x7565;&#x3002;&#x6211;&#x4EEC;&#x76EE;&#x524D;&#x4E00;&#x822C;&#x9012;&#x5F52;&#x7B5B;&#x9009;&#x5668;&#x8BD1;&#x7801;&#x7B97;&#x6CD5;&#x57FA;&#x4E8E;&#x5355;&#x4E2A;&#x795E;&#x7ECF;&#x5143;&#x52A0;&#x6807;&#x6D3B;&#x52A8;&#x548C;&#x751F;&#x7269;&#x4FE1;&#x53F7;&#x7684;&#x7EBF;&#x6027;&#x968F;&#x673A;&#x72B6;&#x6001;&#x7A7A;&#x95F4;&#x6A21;&#x578B;&#x70B9;&#x8FC7;&#x7A0B;&#x6A21;&#x578B;&#x3002;&#x6211;&#x4EEC;&#x4ECE;&#x71B5;&#x3001; &#x71B5;&#x7387;&#x548C;&#x4FE1;&#x53F7;&#x548C;&#x4E50;&#x56E2;&#x52A0;&#x6807;&#x6D3B;&#x52A8;&#x4E4B;&#x95F4;&#x7684;&#x76F8;&#x4E92;&#x4FE1;&#x606F;&#x7684;&#x65B0;&#x77AC;&#x65F6;&#x4F30;&#x8BA1;&#x7B97;&#x6CD5;&#x6D3E;&#x751F;&#x3002;&#x6211;&#x4EEC;&#x901A;&#x8FC7;&#x89E3;&#x7801;&#x9519;&#x8BEF;&#xFF0C;&#x4EE5;&#x53CA;&#x8BA1;&#x7B97;&#x4E2A;&#x522B;&#x4FE1;&#x53F7;&#x4F30;&#x8BA1;&#x7684;&#x8FD1;&#x4F3C; 0.95 &#x4FE1;&#x4EFB;&#x533A;&#x57DF;&#x7684;&#x771F;&#x5B9E;&#x7684;&#x62A5;&#x9053;&#x6982;&#x7387;&#x8BC4;&#x4F30;&#x7B97;&#x6CD5;&#x7684;&#x51C6;&#x786E;&#x6027;&#x3002;&#x6211;&#x4EEC;&#x6765;&#x8BF4;&#x660E;&#x65B0;&#x7B97;&#x6CD5;&#x6B63;&#x5728;&#x5206;&#x6790;&#x7684;&#x4F4D;&#x7F6E;&#x548C;&#x5408;&#x594F; CA1 &#x89C5;&#x98DF;&#x6253;&#x5F00;&#x5FAA;&#x73AF;&#x73AF;&#x5883;&#x4E2D;&#x7684;&#x4E24;&#x79CD;&#x5927;&#x9F20;&#x6D77;&#x9A6C;&#x795E;&#x7ECF;&#x5143;&#x795E;&#x7ECF;&#x6263;&#x7403;&#x6D3B;&#x52A8;&#x3002;&#x6211;&#x4EEC;&#x5C06;&#x6B64;&#x7B97;&#x6CD5;&#x7684;&#x6027;&#x80FD;&#x4E0E;&#x6784;&#x5EFA;&#x5E7F;&#x6CDB;&#x4F7F;&#x7528;&#x53CD;&#x5411;&#x5173;&#x8054;&#x6CD5;&#x7684;&#x7EBF;&#x6027;&#x7B5B;&#x9009;&#x5668;&#x8FDB;&#x884C;&#x6BD4;&#x8F83;&#x3002;&#x4E2D;&#x4F4D;&#x6570;&#x89E3;&#x7801;&#x9519;&#x8BEF; (2) &#x5728; 10 &#x5206;&#x949F;&#x7684;&#x5F00;&#x653E;&#x89C5;&#x98DF;&#x7684;&#x52A8;&#x7269; 1 5.9 (5.5) &#x5398;&#x7C73;&#x4E2D;, &#x4F4D;&#x6570;&#x7684;&#x71B5;&#x662F; 6.9 (7.0) &#x4F4D;&#x6570;&#x3001; &#x4E2D;&#x4F4D;&#x6570;&#x7684;&#x4FE1;&#x606F;&#x662F; 9.4 (9.4) &#x53CC;&#x8FB9;&#x6295;&#x8D44;&#x6761;&#x7EA6;&#x548C;&#x771F;&#x5B9E;&#x7684;&#x62A5;&#x9053;&#x6982;&#x7387;&#x4E3A; 0.95 &#x7684;&#x7F6E;&#x4FE1;&#x533A;&#x57DF;&#x662F; 0.67 (0.75) &#x4F7F;&#x7528; 34 (32) &#x795E;&#x7ECF;&#x5143;&#x3002;&#x8FD9;&#x4E9B;&#x7814;&#x7A76;&#x7ED3;&#x679C;&#x5927;&#x5927;&#x6539;&#x5584;&#x6211;&#x4EEC;&#x4EE5;&#x524D;&#x7684;&#x7ED3;&#x679C;&#x53CA;&#x5EFA;&#x8BAE;&#x7EFC;&#x5408;&#x52A8;&#x6001;&#x9605;&#x8BFB;&#x795E;&#x7ECF;&#x4EE3;&#x7801;&#x3001; &#x6D4B;&#x91CF;&#x5B83;&#x4EEC;&#x7684;&#x5C5E;&#x6027;&#xFF0C;&#x5E76;&#x91CF;&#x5316;&#x7F16;&#x7801;&#x7684;&#x4FE1;&#x606F;&#x4E2D;&#x63D0;&#x53D6;&#x7684;&#x51C6;&#x786E;&#x6027;&#x3002;

&#x4FE1;&#x606F;&#x7F16;&#x7801;&#x795E;&#x7ECF;&#x5408;&#x594F;&#x7684;&#x52A8;&#x6001;&#x5206;&#x6790;&#x3002;

Neural spike train decoding algorithms and techniques to compute Shannon mutual information are important methods for analyzing how neural systems represent biological signals. Decoding algorithms are also one of several strategies being used to design controls for brain-machine interfaces. Developing optimal strategies to design decoding algorithms and compute mutual information are therefore important problems in computational neuroscience. We present a general recursive filter decoding algorithm based on a point process model of individual neuron spiking activity and a linear stochastic state-space model of the biological signal. We derive from the algorithm new instantaneous estimates of the entropy, entropy rate, and the mutual information between the signal and the ensemble spiking activity. We assess the accuracy of the algorithm by computing, along with the decoding error, the true coverage probability of the approximate 0.95 confidence regions for the individual signal estimates. We illustrate the new algorithm by reanalyzing the position and ensemble neural spiking activity of CA1 hippocampal neurons from two rats foraging in an open circular environment. We compare the performance of this algorithm with a linear filter constructed by the widely used reverse correlation method. The median decoding error for Animal 1 (2) during 10 minutes of open foraging was 5.9 (5.5) cm, the median entropy was 6.9 (7.0) bits, the median information was 9.4 (9.4) bits, and the true coverage probability for 0.95 confidence regions was 0.67 (0.75) using 34 (32) neurons. These findings improve significantly on our previous results and suggest an integrated approach to dynamically reading neural codes, measuring their properties, and quantifying the accuracy with which encoded information is extracted.

Dynamic analyses of information encoding in neural ensembles.

Neural pointes de train algorithmes et des techniques de d&#xE9;codage pour calculer Shannon information mutuelle sont des m&#xE9;thodes importantes pour analyser la fa&#xE7;on dont les syst&#xE8;mes neuronaux repr&#xE9;sentent des signaux biologiques. D&#xE9;codage algorithmes sont &#xE9;galement une des nombreuses strat&#xE9;gies utilis&#xE9;es pour concevoir les contr&#xF4;les pour les interfaces cerveau-machine. &#xC9;laborer des strat&#xE9;gies optimales pour concevoir des algorithmes de d&#xE9;codage et de calculer l&#x26;#39;information mutuelle sont donc des probl&#xE8;mes importants dans les neurosciences computationnelles. Nous pr&#xE9;sentons un g&#xE9;n&#xE9;ral de filtre r&#xE9;cursif algorithme de d&#xE9;codage bas&#xE9; sur un mod&#xE8;le de processus point de l&#x26;#39;activit&#xE9; des neurones individuels de dopage et une stochastique lin&#xE9;aire mod&#xE8;le espace-&#xE9;tat du signal biologique. On d&#xE9;rive &#xE0; partir des algorithmes de nouvelles estimations instantan&#xE9;es de l&#x26;#39;entropie, taux d&#x26;#39;entropie, et l&#x26;#39;information mutuelle entre le signal et l&#x26;#39;activit&#xE9; de dopage ensemble. Nous &#xE9;valuons la pr&#xE9;cision de l&#x26;#39;algorithme en calculant, avec l&#x26;#39;erreur de d&#xE9;codage, la probabilit&#xE9; de couverture r&#xE9;elle de la version 0.95 approximatives des r&#xE9;gions de confiance pour les estimations de signal individuels. Nous illustrons le nouvel algorithme par r&#xE9;analyse la position et de l&#x26;#39;ensemble l&#x26;#39;activit&#xE9; neuronale de dopage de la r&#xE9;gion CA1 neurones de l&#x26;#39;hippocampe de rats se nourrissant deux dans un environnement ouvert circulaire. Nous comparons les performances de cet algorithme avec un filtre lin&#xE9;aire construit par la m&#xE9;thode de corr&#xE9;lation inverse largement utilis&#xE9;. L&#x26;#39;erreur moyenne de d&#xE9;codage pour les animaux 1 (2) pendant 10 minutes de recherche de nourriture ouvert &#xE9;tait de 5,9 (5,5) cm, l&#x26;#39;entropie m&#xE9;diane &#xE9;tait de 6,9 &#x200B;&#x200B;(7,0) bits, les informations m&#xE9;diane &#xE9;tait de 9,4 (9,4) bits, et la probabilit&#xE9; de couverture vrai pour 0,95 des r&#xE9;gions de confiance &#xE9;tait de 0,67 (0,75) en utilisant 34 (32) neurones. Ces r&#xE9;sultats s&#x26;#39;am&#xE9;liorer de fa&#xE7;on significative sur nos r&#xE9;sultats pr&#xE9;c&#xE9;dents et de proposer une approche int&#xE9;gr&#xE9;e de mani&#xE8;re dynamique la lecture des codes neuronaux, la mesure de leurs propri&#xE9;t&#xE9;s, et de quantifier la pr&#xE9;cision avec laquelle l&#x26;#39;information cod&#xE9;e est extraite.

Analyses dynamiques de codage de l&#x26;#39;information dans les ensembles de neurones

Dynamische Analysen von Informationen Kodierung in neuronalen Ensembles.

Spike neurale treno decodifica algoritmi e tecniche per calcolare informazioni reciproche Shannon sono importanti metodi per analizzare i sistemi neurali come rappresentano segnali biologici. Gli algoritmi di decodifica sono anche una delle strategie pi&ugrave; utilizzati per la progettazione di controlli per le interfacce cervello-macchina. Lo sviluppo di strategie ottimali per progettare gli algoritmi di decodifica e calcolare informazioni reciproche sono pertanto importanti problemi in neuroscienza computazionale. Vi presentiamo un filtro ricorsivo generale decodifica algoritmo basato su un modello di processo di punto di singolo neurone chiodare attivit&agrave; e un modello stocastico lineare di spazio di stato del segnale biologico. Deriviamo da stime istantanea nuovo algoritmo di entropia, tasso di entropia e l&#39;informazione reciproca tra il segnale e l&#39;ensemble spiking attivit&agrave;. Valutiamo la precisione dell&#39;algoritmo di informatica, insieme con l&#39;errore di decodifica, la probabilit&agrave; di copertura vero delle regioni confidenza 0.95 approssimativo per le stime di segnale individuale. Illustriamo il nuovo algoritmo di nuova analisi la posizione e l&#39;ensemble neurale spiking attivit&agrave; dei neuroni dell&#39;ippocampo CA1 da due ratti foraggiamento in un ambiente circolare aperto. Confrontiamo le prestazioni di questo algoritmo con un filtro lineare costruito dal metodo ampiamente usato correlazione inversa. La mediana errore di decodifica per 1 animale (2) durante 10 minuti di foraggiamento aperta era 5,9 (5.5) cm, l&#39;entropia mediano era 6,9 (7.0) bit, le informazioni mediane era 9.4 (9.4) bit e la probabilit&agrave; di copertura vero per le regioni di confidenza 0,95 era 0,67 (0,75) utilizzando 34 (32) i neuroni. Questi risultati migliorano in modo significativo sui nostri risultati precedenti e suggeriscono un approccio integrato per la lettura di codici neurali, misurando la loro propriet&agrave; e quantificando la precisione con cui si estrae informazioni codificate.

Analisi dinamiche di codifica di informazioni in insiemi neurali.

&#x30B7;&#x30E3;&#x30CE;&#x30F3;&#x306E;&#x76F8;&#x4E92;&#x60C5;&#x5831;&#x91CF;&#x3092;&#x8A08;&#x7B97;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x3001;&#x795E;&#x7D4C;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x5217;&#x306E;&#x30C7;&#x30B3;&#x30FC;&#x30C9;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3068;&#x6280;&#x6CD5;&#x306F;&#x3001;&#x795E;&#x7D4C;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x306F;&#x3001;&#x751F;&#x4F53;&#x4FE1;&#x53F7;&#x3092;&#x8868;&#x73FE;&#x3059;&#x308B;&#x65B9;&#x6CD5;&#x3092;&#x5206;&#x6790;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x91CD;&#x8981;&#x306A;&#x30E1;&#x30BD;&#x30C3;&#x30C9;&#x3067;&#x3059;&#x3002;&#x30C7;&#x30B3;&#x30FC;&#x30C9;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306F;&#x307E;&#x305F;&#x3001;&#x30D6;&#x30EC;&#x30A4;&#x30F3;&#xB7;&#x30DE;&#x30B7;&#x30F3;&#xB7;&#x30A4;&#x30F3;&#x30BF;&#x30FC;&#x30D5;&#x30A7;&#x30FC;&#x30B9;&#x306E;&#x30B3;&#x30F3;&#x30C8;&#x30ED;&#x30FC;&#x30EB;&#x3092;&#x8A2D;&#x8A08;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x6226;&#x7565;&#x306E;&#x4E00;&#x3064;&#x3067;&#x3059;&#x3002;&#x30C7;&#x30B3;&#x30FC;&#x30C9;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x8A2D;&#x8A08;&#x3057;&#x3001;&#x76F8;&#x4E92;&#x60C5;&#x5831;&#x91CF;&#x3092;&#x8A08;&#x7B97;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x958B;&#x767A;&#x3057;&#x3066;&#x6700;&#x9069;&#x306A;&#x6226;&#x7565;&#x306F;&#x3001;&#x3057;&#x305F;&#x304C;&#x3063;&#x3066;&#x3001;&#x8A08;&#x7B97;&#x8AD6;&#x7684;&#x795E;&#x7D4C;&#x79D1;&#x5B66;&#x306B;&#x304A;&#x3051;&#x308B;&#x91CD;&#x8981;&#x306A;&#x554F;&#x984C;&#x3068;&#x306A;&#x3063;&#x3066;&#x3044;&#x308B;&#x3002;&#x6211;&#x3005;&#x306F;&#x3001;&#x500B;&#x3005;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x6D3B;&#x52D5;&#x306E;&#x70B9;&#x904E;&#x7A0B;&#x30E2;&#x30C7;&#x30EB;&#x3068;&#x751F;&#x4F53;&#x4FE1;&#x53F7;&#x306E;&#x7DDA;&#x5F62;&#x78BA;&#x7387;&#x72B6;&#x614B;&#x7A7A;&#x9593;&#x30E2;&#x30C7;&#x30EB;&#x306B;&#x57FA;&#x3065;&#x304F;&#x4E00;&#x822C;&#x7684;&#x306A;&#x518D;&#x5E30;&#x5F62;&#x30D5;&#x30A3;&#x30EB;&#x30BF;&#x306E;&#x30C7;&#x30B3;&#x30FC;&#x30C9;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;&#x3002;&#x6211;&#x3005;&#x306F;&#x30A8;&#x30F3;&#x30C8;&#x30ED;&#x30D4;&#x30FC;&#x3001;&#x30A8;&#x30F3;&#x30C8;&#x30ED;&#x30D4;&#x30FC;&#x30EC;&#x30FC;&#x30C8;&#x3001;&#x4FE1;&#x53F7;&#x3068;&#x30A2;&#x30F3;&#x30B5;&#x30F3;&#x30D6;&#x30EB;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x6D3B;&#x6027;&#x3068;&#x306E;&#x9593;&#x306E;&#x76F8;&#x4E92;&#x60C5;&#x5831;&#x91CF;&#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x65B0;&#x305F;&#x77AC;&#x6642;&#x898B;&#x7A4D;&#x3082;&#x308A;&#x304B;&#x3089;&#x6D3E;&#x751F;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005;&#x306F;&#x3001;&#x30C7;&#x30B3;&#x30FC;&#x30C9;&#x30A8;&#x30E9;&#x30FC;&#x306F;&#x3001;&#x500B;&#x3005;&#x306E;&#x4FE1;&#x53F7;&#x306E;&#x63A8;&#x5B9A;&#x5024;&#x306E;&#x8FD1;&#x4F3C;0.95&#x4FE1;&#x983C;&#x533A;&#x9593;&#x306E;&#x771F;&#x306E;&#x5305;&#x542B;&#x78BA;&#x7387;&#x306B;&#x52A0;&#x3048;&#x3066;&#x3001;&#x30B3;&#x30F3;&#x30D4;&#x30E5;&#x30FC;&#x30C6;&#x30A3;&#x30F3;&#x30B0;&#x306B;&#x3088;&#x308B;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306E;&#x7CBE;&#x5EA6;&#x3092;&#x8A55;&#x4FA1;&#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005;&#x306F;&#x30AA;&#x30FC;&#x30D7;&#x30F3;&#x5186;&#x5F62;&#x306E;&#x74B0;&#x5883;&#x3067;&#x63A1;&#x990C;2&#x30E9;&#x30C3;&#x30C8;&#x304B;&#x3089;CA1&#x6D77;&#x99AC;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x4F4D;&#x7F6E;&#x3068;&#x30A2;&#x30F3;&#x30B5;&#x30F3;&#x30D6;&#x30EB;&#x795E;&#x7D4C;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x6D3B;&#x52D5;&#x3092;&#x518D;&#x5206;&#x6790;&#x3057;&#x3066;&#x3001;&#x65B0;&#x3057;&#x3044;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005;&#x306F;&#x3001;&#x5E83;&#x304F;&#x4F7F;&#x308F;&#x308C;&#x3066;&#x3044;&#x308B;&#x9006;&#x76F8;&#x95A2;&#x6CD5;&#x3092;&#x7528;&#x3044;&#x3066;&#x69CB;&#x7BC9;&#x3055;&#x308C;&#x3001;&#x7DDA;&#x5F62;&#x30D5;&#x30A3;&#x30EB;&#x30BF;&#x3067;&#x306F;&#x3001;&#x3053;&#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306E;&#x6027;&#x80FD;&#x3092;&#x6BD4;&#x8F03;&#x3057;&#x307E;&#x3059;&#x3002;&#x958B;&#x3044;&#x3066;&#x3044;&#x308B;&#x990C;&#x306E;10&#x5206;&#x306E;&#x9593;&#x306B;&#x52D5;&#x7269;1&#xFF08;2&#xFF09;&#x306E;&#x4E2D;&#x592E;&#x5024;&#x306E;&#x30C7;&#x30B3;&#x30FC;&#x30C9;&#x30A8;&#x30E9;&#x30FC;&#x306F;5.9&#xFF08;5.5&#xFF09;cm&#x3067;&#x3042;&#x3063;&#x305F;&#x3001;&#x4E2D;&#x592E;&#x5024;&#x30A8;&#x30F3;&#x30C8;&#x30ED;&#x30D4;&#x30FC;&#x306F;6.9&#xFF08;7.0&#xFF09;&#x30D3;&#x30C3;&#x30C8;&#x3067;&#x3042;&#x308A;&#x3001;&#x4E2D;&#x592E;&#x306E;&#x60C5;&#x5831;&#x306F;9.4&#xFF08;9.4&#xFF09;&#x30D3;&#x30C3;&#x30C8;&#x3001;&#x304A;&#x3088;&#x3073;0.95&#x306E;&#x771F;&#x306E;&#x7BC4;&#x56F2;&#x306E;&#x78BA;&#x7387;&#x3060;&#x3063;&#x305F;&#x4FE1;&#x983C;&#x533A;&#x9593;&#x306F;34&#xFF08;32&#xFF09;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x3092;&#x7528;&#x3044;&#x305F;0.67&#xFF08;0.75&#xFF09;&#x3067;&#x3042;&#x3063;&#x305F;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x77E5;&#x898B;&#x306F;&#x3001;&#x79C1;&#x305F;&#x3061;&#x306E;&#x4EE5;&#x524D;&#x306E;&#x7D50;&#x679C;&#x306B;&#x5927;&#x304D;&#x304F;&#x6539;&#x5584;&#x3057;&#x3001;&#x52D5;&#x7684;&#x306B;&#x3001;&#x30CB;&#x30E5;&#x30FC;&#x30E9;&#x30EB;&#x30B3;&#x30FC;&#x30C9;&#x3092;&#x8AAD;&#x307F;&#x53D6;&#x308A;&#x3001;&#x305D;&#x308C;&#x3089;&#x306E;&#x30D7;&#x30ED;&#x30D1;&#x30C6;&#x30A3;&#x3092;&#x6E2C;&#x5B9A;&#x3057;&#x3001;&#x30A8;&#x30F3;&#x30B3;&#x30FC;&#x30C9;&#x3055;&#x308C;&#x305F;&#x60C5;&#x5831;&#x304C;&#x62BD;&#x51FA;&#x3055;&#x308C;&#x305F;&#x7CBE;&#x5EA6;&#x3092;&#x5B9A;&#x91CF;&#x5316;&#x3059;&#x308B;&#x7D71;&#x5408;&#x7684;&#x306A;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x793A;&#x5506;&#x3057;&#x3066;&#x3044;&#x308B;&#x3002;

&#x30CB;&#x30E5;&#x30FC;&#x30E9;&#x30EB;&#x30A2;&#x30F3;&#x30B5;&#x30F3;&#x30D6;&#x30EB;&#x306B;&#x304A;&#x3051;&#x308B;&#x60C5;&#x5831;&#x7B26;&#x53F7;&#x5316;&#x306E;&#x52D5;&#x7684;&#x89E3;&#x6790;

&#xC2E0;&#xACBD; &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xB514;&#xCF54;&#xB529; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xBC0F; &#xC100; &#xB10C; &#xC0C1;&#xD638; &#xC815;&#xBCF4;&#xB294; &#xC911;&#xC694; &#xD55C; &#xC5B4;&#xB5BB;&#xAC8C; &#xC2E0;&#xACBD; &#xC2DC;&#xC2A4;&#xD15C;&#xC744; &#xBD84;&#xC11D; &#xD558;&#xB294; &#xBC29;&#xBC95;&#xC744; &#xB098;&#xD0C0;&#xB0B4;&#xB294; &#xC0DD;&#xBB3C; &#xD559;&#xC801; &#xC2E0;&#xD638;&#xB97C; &#xACC4;&#xC0B0; &#xD558;&#xB294; &#xAE30;&#xBC95;&#xC744; &#xD6C8;&#xB828;. &#xB514;&#xCF54;&#xB529; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC740; &#xB610;&#xD55C; &#xB1CC;-&#xAE30;&#xACC4; &#xC778;&#xD130;&#xD398;&#xC774;&#xC2A4;&#xB97C; &#xC704;&#xD55C; &#xCEE8;&#xD2B8;&#xB864;&#xC744; &#xB514;&#xC790;&#xC778; &#xD558;&#xB294; &#xB370; &#xC0AC;&#xC6A9; &#xB418;&#xB294; &#xBA87; &#xAC00;&#xC9C0; &#xC804;&#xB7B5; &#xC911; &#xD558;&#xB098;. &#xB514;&#xCF54;&#xB529; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xB514;&#xC790;&#xC778; &#xD558; &#xACE0; &#xC0C1;&#xD638; &#xC815;&#xBCF4; &#xB530;&#xB77C;&#xC11C; &#xACC4;&#xC0B0; &#xC2E0;&#xACBD; &#xACFC;&#xD559;&#xC5D0;&#xC11C; &#xC911;&#xC694; &#xD55C; &#xBB38;&#xC81C;&#xB294; &#xACC4;&#xC0B0; &#xD558;&#xB294; &#xCD5C;&#xC801;&#xC758; &#xC804;&#xB7B5;&#xC744; &#xAC1C;&#xBC1C;. &#xAC1C;&#xBCC4; &#xB274;&#xB7F0; &#xD65C;&#xB3D9; &#xBC0F; &#xC0DD;&#xBB3C; &#xD559;&#xC801; &#xC2E0;&#xD638;&#xC758; &#xC120;&#xD615; &#xD655;&#xB960;&#xC801; &#xC0C1;&#xD0DC; &#xACF5;&#xAC04; &#xBAA8;&#xB378;&#xC744; &#xC694;&#xB3D9;&#xC758; &#xD3EC;&#xC778;&#xD2B8; &#xD504;&#xB85C;&#xC138;&#xC2A4; &#xBAA8;&#xB378;&#xC744; &#xAE30;&#xBC18;&#xC73C;&#xB85C; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xB514;&#xCF54;&#xB529; &#xC77C;&#xBC18;&#xC801;&#xC778; &#xC7AC;&#xADC0; &#xD544;&#xD130;&#xB97C; &#xC18C;&#xAC1C; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xC989;&#xAC01;&#xC801;&#xC778; &#xC608;&#xC0C1; &#xC5D4;&#xD2B8;&#xB85C;&#xD53C; &#xC5D4;&#xD2B8;&#xB85C;&#xD53C; &#xBE44;&#xC728;&#xACFC; &#xC2E0;&#xD638;&#xC640; &#xD65C;&#xB3D9; &#xAE09;&#xC0C1;&#xC2B9; &#xC559;&#xC0C1;&#xBE14; &#xAC04;&#xC758; &#xC0C1;&#xD638; &#xC815;&#xBCF4;&#xC758; &#xC0C8;&#xB85C;&#xC6B4; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC5D0;&#xC11C;&#xC5D0;&#xC11C; &#xD30C;&#xC0DD;. &#xC6B0;&#xB9AC;&#xB294; &#xB514;&#xCF54;&#xB529; &#xC624;&#xB958; &#xD568;&#xAED8; &#xAC1C;&#xBCC4; &#xC2E0;&#xD638; &#xACAC;&#xC801;&#xC5D0; &#xB300; &#xD55C; &#xB300;&#xB7B5;&#xC801;&#xC778; 0.95 &#xC2E0;&#xB8B0; &#xC601;&#xC5ED;&#xC758; &#xC9C4;&#xC815;&#xD55C; &#xBC94;&#xC704; &#xD655;&#xB960;&#xC744; &#xACC4;&#xC0B0; &#xD568;&#xC73C;&#xB85C;&#xC368; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC758; &#xC815;&#xD655;&#xB3C4; &#xD3C9;&#xAC00;. Reanalyzing &#xC704;&#xCE58; &#xBC0F; &#xC559;&#xC0C1;&#xBE14; &#xAC1C;&#xBC29; &#xC21C;&#xD658; &#xD658;&#xACBD;&#xC5D0;&#xC11C; &#xAD6C;&#xD558;&#xACE0; &#xB450; &#xC950;&#xC5D0;&#xC11C; CA1 hippocampal &#xB274;&#xB7F0;&#xC758; &#xC2E0;&#xACBD; &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xD65C;&#xB3D9;&#xC5D0; &#xC758;&#xD574; &#xC0C8;&#xB85C;&#xC6B4; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xBCF4;&#xC5EC; &#xC90D;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xB110;&#xB9AC; &#xC0AC;&#xC6A9; &#xB418;&#xB294; &#xC5ED; &#xC0C1;&#xAD00; &#xAD00;&#xACC4; &#xBA54;&#xC11C;&#xB4DC;&#xC5D0; &#xC758;&#xD574; &#xC0DD;&#xC131; &#xB41C; &#xC120;&#xD615; &#xD544;&#xD130;&#xC640;&#xC774; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC758; &#xC131;&#xB2A5;&#xC744; &#xBE44;&#xAD50; &#xD569;&#xB2C8;&#xB2E4;. &#xB514;&#xCF54;&#xB529; &#xC624;&#xB958;&#xAC00; &#xBC1C;&#xC0DD; (2) &#xC624;&#xD508; &#xAD6C;&#xD558;&#xACE0; 10 &#xBD84; &#xB3D9;&#xC548; &#xB3D9;&#xBB3C; 1&#xB294; 5.9 (5.5)&#xC5D0; &#xB300; &#xD55C; &#xC911;&#xAC04; cm, &#xBA54;&#xB514;&#xC544; &#xC5D4;&#xD2B8;&#xB85C;&#xD53C;&#xB294; 6.9 (7.0) &#xBE44;&#xD2B8;, &#xC911;&#xAC04; &#xC815;&#xBCF4;&#xB294; 9.4 (9.4) &#xBE44;&#xD2B8;, 0.95 &#xC2E0;&#xB8B0; &#xC601;&#xC5ED;&#xC5D0; &#xB300; &#xD55C; &#xC9C4;&#xC815;&#xD55C; &#xBCF4;&#xC0C1; &#xD655;&#xB960;&#xC740; 0.67 (0.75) 34 (32)&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC2E0;&#xACBD; &#xC138;&#xD3EC;. &#xC774; &#xBC1C;&#xACAC; &#xC774;&#xC804; &#xACB0;&#xACFC;&#xC5D0; &#xD06C;&#xAC8C; &#xAC1C;&#xC120; &#xD558; &#xACE0; &#xD1B5;&#xD569;&#xB41C; &#xB41C; &#xC811;&#xADFC; &#xBC29;&#xC2DD;&#xC744; &#xB3D9;&#xC801;&#xC73C;&#xB85C; &#xC2E0;&#xACBD; &#xCF54;&#xB4DC;&#xB97C; &#xC77D;&#xACE0; &#xD574;&#xB2F9; &#xC18D;&#xC131;&#xC744; &#xCE21;&#xC815; &#xD558; &#xACE0; &#xCE21;&#xC815; &#xC815;&#xD655;&#xB3C4;&#xB294; &#xC778;&#xCF54;&#xB529;&#xB41C; &#xC815;&#xBCF4; &#xCD94;&#xCD9C; &#xD558;&#xB294; &#xAC83;&#xC774; &#xC88B;&#xC2B5;&#xB2C8;&#xB2E4;.

&#xC815;&#xBCF4; &#xC778;&#xCF54;&#xB529; &#xC2E0;&#xACBD; &#xC559;&#xC0C1;&#xBE14;&#xC5D0; &#xB3D9;&#xC801; &#xBD84;&#xC11D;&#xC785;&#xB2C8;&#xB2E4;.

Neuronales pico de tren algoritmos de decodificaci&#xF3;n y t&#xE9;cnicas para calcular la informaci&#xF3;n de Shannon mutua son importantes m&#xE9;todos para el an&#xE1;lisis de c&#xF3;mo los sistemas neuronales representan se&#xF1;ales biol&#xF3;gicas. Algoritmos de decodificaci&#xF3;n son tambi&#xE9;n una de varias estrategias que se utilizan para dise&#xF1;ar los controles para las interfaces cerebro-m&#xE1;quina. Desarrollo de estrategias &#xF3;ptimas para dise&#xF1;ar algoritmos de decodificaci&#xF3;n y calcular la informaci&#xF3;n mutua, por lo tanto los problemas importantes de la neurociencia computacional. Se presenta un general de filtro recursivo algoritmo de decodificaci&#xF3;n basada en un modelo de proceso de punto de actividad de las neuronas individuales de adici&#xF3;n y un estoc&#xE1;stico lineal modelo de espacio de estado de la se&#xF1;al biol&#xF3;gica. Se deriva de las nuevas estimaciones de algoritmos instant&#xE1;neas de la tasa de la entrop&#xED;a, la entrop&#xED;a y la informaci&#xF3;n mutua entre la se&#xF1;al y un r&#xE1;pido aumento de la actividad de grupo. Hemos evaluar la exactitud del algoritmo de computaci&#xF3;n, junto con el error de decodificaci&#xF3;n, la probabilidad de cobertura real de las regiones de confianza aproximados 0,95 para las estimaciones de se&#xF1;ales individuales. Presentamos el nuevo algoritmo de volver a analizar la posici&#xF3;n y el conjunto de la actividad neuronal de adici&#xF3;n de las neuronas CA1 del hipocampo de las ratas dos forrajeando en un entorno circular abierto. Se compara el rendimiento de este algoritmo con un filtro lineal construido por el m&#xE9;todo de correlaci&#xF3;n inversa ampliamente utilizado. La mediana de error de decodificaci&#xF3;n de los animales 1 (2) durante 10 minutos de abierta alimentaci&#xF3;n fue de 5,9 (5,5) cm, la entrop&#xED;a media fue de 6,9 &#x200B;&#x200B;(7,0) bits, la informaci&#xF3;n de la mediana fue de 9,4 (9,4) bits, y la probabilidad de cobertura real de 0,95 regiones de confianza fue de 0,67 (0,75) con 34 (32) las neuronas. Estos resultados mejoran significativamente a los resultados previos y sugieren un enfoque integrado de forma din&#xE1;mica la lectura de c&#xF3;digos neurales, la medici&#xF3;n de sus propiedades, y la cuantificaci&#xF3;n de la precisi&#xF3;n con la que se extrae la informaci&#xF3;n codificada.

Los an&#xE1;lisis din&#xE1;micos de la Codificaci&#xF3;n de la Informaci&#xF3;n en conjuntos neuronales

&#x8111;&#x7535;&#x56FE;&#x548C; LFP &#x6D3B;&#x52A8;&#x53CD;&#x6620;&#x52A8;&#x6001;&#x7684;&#x548C;&#x6709;&#x7EC4;&#x7EC7;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x7684;&#x795E;&#x7ECF;&#x4FBF;&#x670D; &#xFF1B;&#x56E0;&#x6B64;&#xFF0C;&#x5B83;&#x53EF;&#x80FD;&#x4F7F;&#x7528;&#x7684;&#x5927;&#x8111;&#x8282;&#x5F8B;&#x529F;&#x80FD;&#x6765;&#x786E;&#x5B9A;&#x8BA1;&#x7B97;&#x4E00;&#x4E2A;&#x795E;&#x7ECF;&#x5143;&#x7F51;&#x7EDC;&#x7684;&#x72B6;&#x6001;&#x3002;&#x5F53;&#x795E;&#x7ECF;&#x5143;&#x7F51;&#x7EDC;&#x90FD;&#x88AB;&#x6FC0;&#x6D3B;&#x65F6;&#x7684;&#x7269;&#x7406;&#x539F;&#x7406;&#x9884;&#x6D4B;&#x52BF;&#x573A;&#x7684;&#x9891;&#x7387;&#x5185;&#x5BB9;&#x5E94;&#x672C;&#x8EAB;&#xFF0C;&#x53CD;&#x6620;&#x7F51;&#x7EDC;&#x72B6;&#x6001;&#xFF0C;&#x548C;&#x6B7B;&#x4EA1;&#x72B6;&#x6001;&#x8F6C;&#x6362;&#x3002;&#x65B0;&#x9896;&#x7684;&#x65B9;&#x5F0F;&#x8868;&#x5F81;&#x8111;&#x56FD;&#x5BB6;&#x662F;&#x901A;&#x8FC7;&#x91CF;&#x5316;&#x4E0A;&#x5348;&#x7684;&#x65F6;&#x7A7A;&#x7ED3;&#x6784;&#x548C; FM &#x8111;&#x8282;&#x5F8B;&#x611F;&#x5174;&#x8DA3;&#x7684;&#x6D3B;&#x52A8; &#xFF08;&#x968F;&#x7740;&#x65F6;&#x95F4;&#x7684;&#x63A8;&#x79FB;&#x53D8;&#x5316;&#x5E45;&#x5EA6;&#x548C;&#x9891;&#x7387;&#xFF09;&#x3002;&#x4E0A;&#x5348;&#x7684;&#x6982;&#x5FF5;&#x548C; FM&#xFF0C;&#x5728;&#x5B9A;&#x91CF;&#x610F;&#x4E49;&#x4E0A;&#xFF0C;&#x662F;&#x5728;&#x795E;&#x7ECF;&#x7CFB;&#x7EDF;&#x4E2D;&#x51E0;&#x4E4E;&#x86EE;&#x8352;&#x4E4B;&#x5730;&#x3002;&#x8FD9;&#x4E0D;&#x662F;&#x4EE4;&#x4EBA;&#x60CA;&#x8BB6;&#x7684;&#x662F;&#x8003;&#x8651; FM &#x6D3B;&#x52A8;&#x4F30;&#x8BA1;&#x9700;&#x8981;&#x77AC;&#x65F6;&#x9891;&#x7387;&#x7EC6;&#x65F6;&#x7A7A;&#x7CBE;&#x786E;&#x4F30;&#x8BA1;&#x3002;&#x4E0A;&#x5348;&#x6D3B;&#x52A8;&#x7684;&#x7EDD;&#x5BF9;&#x503C;&#x7684;&#x5E0C;&#x5C14;&#x4F2F;&#x7279;&#x53D8;&#x6362;&#x662F;&#x8DB3;&#x591F;&#x3002;&#x5728;&#x8FD9;&#x91CC;&#xFF0C;&#x6211;&#x4EEC;&#x6982;&#x8FF0;&#x4E86;&#x8DDF;&#x8E2A;&#x7B97;&#x6CD5;&#xFF0C;&#x5B83;&#x4F7F;&#x7528;&#x5355;&#x53D8;&#x91CF; AR &#x8FC7;&#x7A0B;&#x7684;&#x5361;&#x5C14;&#x66FC;&#x6EE4;&#x6CE2;&#x4F30;&#x8BA1;&#x77AC;&#x65F6;&#x9891;&#x7387;&#x5B9E;&#x9645;&#x6746;&#x3002;&#x6211;&#x4EEC;&#x8BC1;&#x660E;&#x4F7F;&#x7528;&#x6A21;&#x62DF;&#x5541;&#x557E;&#x548C;&#x771F;&#x6B63;&#x4ECE;&#x5927;&#x9F20;&#x6D77;&#x9A6C; &#xFF1B; &#x8BB0;&#x5F55;&#x7684;&#x8111;&#x7535;&#x56FE;/LFP &#x6570;&#x636E;&#x7684;&#x7B5B;&#x9009;&#x5668;&#x7684;&#x6027;&#x80FD;&#x548C;&#x6211;&#x7684;&#x663E;&#x793A; / &#x8111;&#x7535;/LFP FM &#x6D3B;&#x52A8;&#x662F;&#x65F6;&#x7A7A;&#x7ED3;&#x6784;&#x5316;&#x548C;&#x4F9D;&#x8D56;&#x884C;&#x4E3A;&#x548C;&#x8BA4;&#x77E5;&#x7684;&#x72B6;&#x6001;&#x3002;&#x6B64;&#x7B97;&#x6CD5;&#x6709;&#x6F5C;&#x529B;&#x6210;&#x4E3A;&#x5B9E;&#x7528;&#x7684;&#x5DE5;&#x5177;&#xFF0C;&#x7528;&#x4E8E;&#x8868;&#x5F81;&#x4E2D;&#x7535;&#x751F;&#x7406;&#x6570;&#x636E;&#x7684;&#x57FA;&#x672C;&#x7ED3;&#x6784;&#x548C;&#x5206;&#x7C7B;&#x8BA1;&#x7B97;&#x5404;&#x56FD;&#x5728;&#x5927;&#x8111;&#x4E2D;&#x3002;

&#x77AC;&#x65F6;&#x9891;&#x7387;&#x548C;&#x6D77;&#x9A6C;&#x8111;&#x7535;&#x4FE1;&#x53F7;&#x7684;&#x5E45;&#x5EA6;&#x8C03;&#x5236;&#x663E;&#x793A;&#x72B6;&#x6001;&#x4F9D;&#x8D56;&#x7684;&#x65F6;&#x7A7A;&#x7ED3;&#x6784;&#x3002;

EEG and LFP activity reflect the dynamic and organized interactions of neural ensembles; therefore, it may be possible to use the features of brain rhythms to determine the computational state of a neuronal network. When neuronal networks are activated, physical principles predict that the frequency content of the field potential should reflect the network state, per se, and ergo the state transition. A novel way for characterizing brain states is by quantifying the temporal structure of AM and FM activity (change in amplitude and frequency over time) for brain rhythms of interest. The concept of AM and FM, in the quantitative sense, is virtually unexplored in systems neuroscience. This is not surprising considering estimation of FM activity requires fine temporal and precise estimation of instantaneous frequency. For AM activity, the absolute value of the Hilbert transform is sufficient. Here, we outline a practical pole tracking algorithm which uses a Kalman filter for univariate AR processes to estimate instantaneous frequency. We demonstrate the filter performance using simulated chirp and real EEG/LFP data recorded from the rat hippocampus; and show that AM/FM activity in EEG/LFP is temporally structured and dependent on behavioral and cognitive state. This algorithm has the potential to be a practical tool for characterizing fundamental structure in electrophysiology data and classifying computational states in the brain.

Instantaneous frequency and amplitude modulation of EEG in the hippocampus reveals state dependent temporal structure.

Activit&#xE9; EEG et LFP refl&#xE9;ter les interactions dynamiques et organis&#xE9;e d&#x26;#39;ensembles de neurones, par cons&#xE9;quent, il peut &#xEA;tre possible d&#x26;#39;utiliser les fonctionnalit&#xE9;s de rythmes du cerveau pour d&#xE9;terminer l&#x26;#39;&#xE9;tat de calcul d&#x26;#39;un r&#xE9;seau neuronal. Lorsque les r&#xE9;seaux neuronaux sont activ&#xE9;s, les principes physiques de pr&#xE9;dire que le contenu fr&#xE9;quentiel de la potentiel de champ devrait refl&#xE9;ter l&#x26;#39;&#xE9;tat du r&#xE9;seau, en soi, et ergo la transition d&#x26;#39;&#xE9;tat. Une fa&#xE7;on originale pour caract&#xE9;riser les &#xE9;tats du cerveau est en quantifiant la structure temporelle de AM et FM activit&#xE9; (changement de l&#x26;#39;amplitude et la fr&#xE9;quence au fil du temps) pour les rythmes du cerveau d&#x26;#39;int&#xE9;r&#xEA;t. Le concept de AM et FM, dans le sens quantitatif, est pratiquement inexplor&#xE9; dans les syst&#xE8;mes de neurosciences. Cela n&#x26;#39;est pas surprenant compte tenu estimation de l&#x26;#39;activit&#xE9; FM requiert une grande pr&#xE9;cision estimation temporelle et pr&#xE9;cise de la fr&#xE9;quence instantan&#xE9;e. Pour l&#x26;#39;activit&#xE9; AM, la valeur absolue de la transform&#xE9;e de Hilbert est suffisante. Ici, nous pr&#xE9;sentons un algorithme de p&#xF4;le pratique de suivi qui utilise un filtre de Kalman pour les processus AR univari&#xE9;es pour estimer la fr&#xE9;quence instantan&#xE9;e. Nous d&#xE9;montrons la performance du filtre en utilisant chirp simul&#xE9; et r&#xE9;el EEG / LFP donn&#xE9;es enregistr&#xE9;es &#xE0; partir de l&#x26;#39;hippocampe du rat, et montrer que AM / FM &#xE0; l&#x26;#39;activit&#xE9; EEG / LFP est temporellement structur&#xE9;e et d&#xE9;pendante de l&#x26;#39;&#xE9;tat comportemental et cognitif. Cet algorithme a le potentiel pour &#xEA;tre un outil pratique pour la caract&#xE9;risation de la structure fondamentale des donn&#xE9;es d&#x26;#39;&#xE9;lectrophysiologie et la classification des &#xE9;tats de calcul dans le cerveau.

Fr&#xE9;quence instantan&#xE9;e et modulation d&#x26;#39;amplitude de l&#x26;#39;EEG dans l&#x26;#39;hippocampe r&#xE9;v&#xE8;le l&#x26;#39;&#xE9;tat structure d&#xE9;pendante temporelle

EEG und LFP T&auml;tigkeit reflektieren die dynamischen und organisierten Interaktionen der neuronalen Ensembles; Daher kann es m&ouml;glich, die Funktionen des Gehirns Rhythmen zu verwenden, den computational Zustand eines neuronalen Netzes bestimmt sein. Wenn neuronale Netzwerke aktiviert sind, physikalische Prinzipien Vorhersagen, dass den Frequenzgehalt der Feld-Potenzial der Netzwerkstatus per se widerspiegeln sollte und ergo Zustands&uuml;bergang. Ein neuer Weg zur Charakterisierung Gehirn nennt, ist durch Quantifizierung die Zeitstruktur AM und FM Aktivit&auml;t (&Auml;nderung der Amplitude und Frequenz mit der Zeit) f&uuml;r Gehirn Rhythmen von Interesse. Das Konzept von am- und FM, im quantitativen Sinne, ist praktisch in den Systemen Neurowissenschaften unerforscht. Dies ist nicht &uuml;berraschend, bedenkt man, dass die Absch&auml;tzung der FM-Aktivit&auml;t feine zeitliche und pr&auml;zise Einsch&auml;tzung der momentanen Frequenz erfordert. F&uuml;r AM-Aktivit&auml;t ist der Absolute Wert der den Hilbert-Transformation ausreichend. Hier skizzieren wir praktische Pole tracking-Algorithmus, der einen Kalman-Filter f&uuml;r Univariate AR Prozesse verwendet, um die momentane Frequenz zu sch&auml;tzen. Wir demonstrieren die Filterleistung mit simulierten Zirpen und real EEG/LFP-Daten aus dem Ratte Hippocampus aufgezeichnet; und Show, die AM / FM-Aktivit&auml;t im EEG/LFP ist zeitlich strukturiert und Verhaltens- und kognitiven Zustand abh&auml;ngig. Dieser Algorithmus hat das Potenzial, ein praktisches Werkzeug zur Charakterisierung Grundstruktur in Elektrophysiologie Daten und Klassifizierung von computational Staaten im Gehirn.

Momentanen Frequenz und Amplitude Modulation des EEG im Hippocampus zeigt Staat abh&auml;ngigen zeitliche Struktur.

EEG e LFP attivit&agrave; riflettono le interazioni dinamiche e organizzate degli insiemi neurali; Pertanto, &egrave; possibile utilizzare le funzionalit&agrave; dei ritmi cerebrali per determinare lo stato computazionale di una rete neuronale. Quando sono attivati i reti neuronali, principi fisici prevedono che il contenuto in frequenza del potenziale campo dovrebbe riflettere lo stato della rete, per s&eacute;, ed ergo la transizione dello stato. Un nuovo modo per caratterizzare il cervello dichiara &egrave; di quantificare la struttura temporale di AM e FM attivit&agrave; (variazione della frequenza e ampiezza nel tempo) per i ritmi del cervello di interesse. Il concetto di AM e FM, in senso quantitativo, &egrave; praticamente inesplorata in neuroscienza sistemiche. Questo non &egrave; sorprendente, considerando la stima dell&#39;attivit&agrave; FM richiede bene temporale e precisa stima della frequenza istantanea. Per attivit&agrave; di AM, il valore assoluto della trasformata di Hilbert &egrave; sufficiente. Qui, si struttura un palo pratico algoritmo che utilizza un filtro di Kalman per processi AR univariata per stimare la frequenza istantanea di rilevamento. Noi di dimostrare le prestazioni del filtro utilizzando chirp simulati e reali dati EEG/LFP registrati dall&#39;ippocampo di ratto; e mostrano che AM / FM l&#39;attivit&agrave; EEG/LFP &egrave; temporalmente strutturata e dipendente sullo stato cognitivo e comportamentale. Questo algoritmo ha il potenziale per essere un pratico strumento per caratterizzare la struttura fondamentale nei dati di elettrofisiologia e classificare gli Stati computazionali del cervello.

Frequenza istantanea e modulazione di ampiezza dell&#39;EEG nell&#39;ippocampo rivela struttura temporale dipendente statale.

EEG&#x3068;LFP&#x6D3B;&#x52D5;&#x306F;&#x3001;&#x795E;&#x7D4C;&#x30A2;&#x30F3;&#x30B5;&#x30F3;&#x30D6;&#x30EB;&#x306E;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30C3;&#x30AF;&#x304B;&#x3064;&#x7D44;&#x7E54;&#x7684;&#x306A;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x3092;&#x53CD;&#x6620;&#x3057;&#x3066;&#x3044;&#x308B;&#x306E;&#x3067;&#x3001;&#x305D;&#x308C;&#x306F;&#x795E;&#x7D4C;&#x56DE;&#x8DEF;&#x7DB2;&#x306E;&#x8A08;&#x7B97;&#x72B6;&#x614B;&#x3092;&#x5224;&#x65AD;&#x3059;&#x308B;&#x8133;&#x306E;&#x30EA;&#x30BA;&#x30E0;&#x306E;&#x6A5F;&#x80FD;&#x3092;&#x4F7F;&#x7528;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x53EF;&#x80FD;&#x304B;&#x3082;&#x3057;&#x308C;&#x307E;&#x305B;&#x3093;&#x3002;&#x795E;&#x7D4C;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x304C;&#x6D3B;&#x6027;&#x5316;&#x3055;&#x308C;&#x308B;&#x3068;&#x304D;&#x3001;&#x7269;&#x7406;&#x7684;&#x306A;&#x539F;&#x7406;&#x306F;&#x3001;&#x96FB;&#x5834;&#x96FB;&#x4F4D;&#x306E;&#x5468;&#x6CE2;&#x6570;&#x6210;&#x5206;&#x306F;&#x3001;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x306E;&#x72B6;&#x614B;&#x3001;&#x305D;&#x308C;&#x81EA;&#x4F53;&#x3001;&#x304A;&#x3088;&#x3073;&#x30A8;&#x30EB;&#x30B4;&#x72B6;&#x614B;&#x9077;&#x79FB;&#x3092;&#x53CD;&#x6620;&#x3059;&#x3079;&#x304D;&#x3067;&#x3042;&#x308B;&#x3068;&#x4E88;&#x6E2C;&#x3057;&#x3066;&#x3044;&#x308B;&#x3002;&#x8133;&#x306E;&#x72B6;&#x614B;&#x3092;&#x7279;&#x5FB4;&#x4ED8;&#x3051;&#x308B;&#x305F;&#x3081;&#x306E;&#x65B0;&#x898F;&#x306A;&#x65B9;&#x6CD5;&#x306F;&#x3001;&#x95A2;&#x5FC3;&#x306E;&#x3042;&#x308B;&#x8133;&#x306E;&#x30EA;&#x30BA;&#x30E0;&#x306E;&#x305F;&#x3081;&#x306B;AM&#x3068;FM&#x306E;&#x6D3B;&#x52D5;&#xFF08;&#x6642;&#x9593;&#x306E;&#x7D4C;&#x904E;&#x3068;&#x3068;&#x3082;&#x306B;&#x632F;&#x5E45;&#x3068;&#x5468;&#x6CE2;&#x6570;&#x306E;&#x5909;&#x5316;&#xFF09;&#x306E;&#x6642;&#x9593;&#x7684;&#x69CB;&#x9020;&#x3092;&#x5B9A;&#x91CF;&#x5316;&#x3059;&#x308B;&#x3053;&#x3068;&#x3067;&#x3059;&#x3002; AM&#x3068;FM&#x306E;&#x6982;&#x5FF5;&#x306F;&#x3001;&#x5B9A;&#x91CF;&#x7684;&#x306A;&#x610F;&#x5473;&#x3067;&#x3001;&#x4E8B;&#x5B9F;&#x4E0A;&#x306E;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x795E;&#x7D4C;&#x79D1;&#x5B66;&#x306E;&#x672A;&#x8E0F;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x306F;&#x3001;FM&#x6D3B;&#x52D5;&#x306E;&#x63A8;&#x5B9A;&#x3092;&#x8003;&#x616E;&#x3059;&#x308B;&#x3068;&#x3001;&#x77AC;&#x6642;&#x5468;&#x6CE2;&#x6570;&#x306E;&#x5FAE;&#x7D30;&#x306A;&#x6642;&#x9593;&#x3068;&#x6B63;&#x78BA;&#x306A;&#x63A8;&#x5B9A;&#x3092;&#x5FC5;&#x8981;&#x3068;&#x3059;&#x308B;&#x9A5A;&#x304F;&#x3079;&#x304D;&#x3053;&#x3068;&#x3067;&#x306F;&#x3042;&#x308A;&#x307E;&#x305B;&#x3093;&#x3002; AM&#x6D3B;&#x52D5;&#x306E;&#x305F;&#x3081;&#x306B;&#x3001;&#x30D2;&#x30EB;&#x30D9;&#x200B;&#x200B;&#x30EB;&#x30C8;&#x5909;&#x63DB;&#x306E;&#x7D76;&#x5BFE;&#x5024;&#x304C;&#x5341;&#x5206;&#x3067;&#x3042;&#x308B;&#x3002;&#x3053;&#x3053;&#x3067;&#x306F;&#x3001;&#x77AC;&#x6642;&#x5468;&#x6CE2;&#x6570;&#x3092;&#x63A8;&#x5B9A;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x5358;&#x5909;&#x91CF;AR&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x306E;&#x305F;&#x3081;&#x306E;&#x30AB;&#x30EB;&#x30DE;&#x30F3;&#x30D5;&#x30A3;&#x30EB;&#x30BF;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x5B9F;&#x7528;&#x7684;&#x306A;&#x6975;&#x30C8;&#x30E9;&#x30C3;&#x30AD;&#x30F3;&#x30B0;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x6982;&#x8AAC;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005;&#x306F;&#x3001;&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30C8;&#x3055;&#x308C;&#x305F;&#x30C1;&#x30E3;&#x30FC;&#x30D7;&#x304A;&#x3088;&#x3073;&#x30E9;&#x30C3;&#x30C8;&#x306E;&#x6D77;&#x99AC;&#x304B;&#x3089;&#x8A18;&#x9332;&#x3055;&#x308C;&#x305F;&#x5B9F;&#x969B;&#x306E;LFP / EEG&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3001;&#x30D5;&#x30A3;&#x30EB;&#x30BF;&#x306E;&#x6027;&#x80FD;&#x3092;&#x5B9F;&#x8A3C;&#x3001;&#x304A;&#x3088;&#x3073;AM / FM&#x306E;&#x6D3B;&#x52D5;&#x306F;LFP / EEG&#x4E00;&#x6642;&#x7684;&#x306B;&#x69CB;&#x9020;&#x5316;&#x3055;&#x308C;&#x305F;&#x884C;&#x52D5;&#x3084;&#x8A8D;&#x77E5;&#x306E;&#x72B6;&#x614B;&#x306B;&#x4F9D;&#x5B58;&#x3057;&#x3066;&#x3044;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306F;&#x3001;&#x96FB;&#x6C17;&#x751F;&#x7406;&#x5B66;&#x30C7;&#x30FC;&#x30BF;&#x306E;&#x57FA;&#x672C;&#x7684;&#x306A;&#x69CB;&#x9020;&#x3092;&#x7279;&#x5FB4;&#x3068;&#x8133;&#x5185;&#x306E;&#x8A08;&#x7B97;&#x72B6;&#x614B;&#x3092;&#x5206;&#x985E;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x5B9F;&#x7528;&#x7684;&#x306A;&#x30C4;&#x30FC;&#x30EB;&#x306B;&#x306A;&#x308B;&#x53EF;&#x80FD;&#x6027;&#x3092;&#x79D8;&#x3081;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x77AC;&#x6642;&#x5468;&#x6CE2;&#x6570;&#x3068;&#x6D77;&#x99AC;&#x306E;&#x8133;&#x6CE2;&#x306E;&#x632F;&#x5E45;&#x5909;&#x8ABF;&#x306F;&#x3001;&#x72B6;&#x614B;&#x4F9D;&#x5B58;&#x6642;&#x7A7A;&#x9593;&#x69CB;&#x9020;&#x3092;&#x660E;&#x3089;&#x304B;&#x306B;

&#xB1CC; &#xD30C; &#xBC0F; LFP &#xD65C;&#xB3D9; &#xBC18;&#xC601; &#xC2E0;&#xACBD; &#xC559;&#xC0C1;&#xBE14;;&#xC758; &#xC5ED;&#xB3D9;&#xC801;&#xC774; &#xACE0; &#xC870;&#xC9C1;&#xC801;&#xC778; &#xC0C1;&#xD638; &#xC791;&#xC6A9; &#xB530;&#xB77C;&#xC11C; &#xC804;&#xC0B0; &#xC2E0;&#xACBD; &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xC0C1;&#xD0DC;&#xB97C; &#xD655;&#xC778; &#xD558;&#xB824;&#xBA74; &#xB1CC; &#xB9AC;&#xB4EC;&#xC758; &#xAE30;&#xB2A5;&#xC744; &#xC0AC;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC2E0;&#xACBD; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xB294; &#xD65C;&#xC131;&#xD654; &#xB420; &#xB54C; &#xBB3C;&#xB9AC;&#xC801; &#xC6D0;&#xB9AC; &#xC608;&#xCE21; &#xD544;&#xB4DC; &#xC7A0;&#xC7AC;&#xB825;&#xC758; &#xC8FC;&#xD30C;&#xC218; &#xCF58;&#xD150;&#xCE20; &#xB77C;&#xAE30;&#xBCF4;&#xB2E4;&#xB294;, &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xC0C1;&#xD0DC;&#xB97C; &#xBC18;&#xC601; &#xD574;&#xC57C; &#xD558; &#xACE0; &#xB530;&#xB77C;&#xC11C; &#xC0C1;&#xD0DC; &#xC804;&#xD658;. &#xB1CC; &#xD2B9;&#xC131;&#xD654;&#xB97C; &#xC704;&#xD55C; &#xC0C8;&#xB85C;&#xC6B4; &#xBC29;&#xBC95;&#xC744; &#xC624;&#xC804;&#xC758; &#xC2DC;&#xAC04;&#xC801; &#xAD6C;&#xC870;&#xB97C; &#xCE21;&#xC815; &#xD558; &#xC5EC; &#xC0C1;&#xD0DC; &#xBC0F; FM &#xAD00;&#xC2EC; &#xB1CC; &#xB9AC;&#xB4EC;&#xC5D0; &#xB300; &#xD55C; &#xD65C;&#xB3D9; (&#xC2DC;&#xAC04;&#xC774; &#xC9C0;&#xB0A8;&#xC5D0; &#xB530;&#xB978; &#xC9C4;&#xD3ED; &#xBC0F; &#xC8FC;&#xD30C;&#xC218; &#xBCC0;&#xACBD;). &#xC624;&#xC804;&#xC758; &#xAC1C;&#xB150;&#xC774; &#xC544;&#xB2C8;&#xBA70; FM, &#xC591;&#xC801; &#xC758;&#xBBF8;&#xC5D0;&#xC11C; &#xC0AC;&#xC2E4;&#xC0C1; &#xC2DC;&#xC2A4;&#xD15C; &#xC2E0;&#xACBD; &#xACFC;&#xD559;&#xC5D0;&#xC11C; &#xD0D0;&#xD5D8;. &#xC774; FM &#xD65C;&#xB3D9;&#xC758; &#xCD94;&#xC815; &#xD544;&#xC694; &#xC989;&#xAC01;&#xC801;&#xC778; &#xC8FC;&#xD30C;&#xC218;&#xC758; &#xC815;&#xBC00;&#xD55C; &#xC2DC;&#xAC04; &#xBC0F; &#xC815;&#xD655;&#xD55C; &#xCD94;&#xC815;&#xC744; &#xACE0;&#xB824; &#xD558; &#xACE0; &#xB180;&#xB77C;&#xC6B4; &#xC77C;&#xC774; &#xC544;&#xB2C8;&#xB2E4;. &#xC624;&#xC804; &#xD65C;&#xB3D9; &#xD790;&#xBCA0;&#xB974;&#xD2B8; &#xBCC0;&#xD658;&#xC758; &#xC808;&#xB300; &#xAC00;&#xCE58;&#xB294; &#xCDA9;&#xBD84; &#xD569;&#xB2C8;&#xB2E4;. &#xC5EC;&#xAE30;, &#xC6B0;&#xB9AC;&#xB294; &#xC2E4;&#xC6A9;&#xC801;&#xC778; &#xC7A5; &#xB300; &#xBCC0;&#xB7C9; &#xC544;&#xCE78;&#xC18C; &#xD504;&#xB85C;&#xC138;&#xC2A4;&#xC5D0; &#xB300; &#xD55C; &#xCE7C;&#xB9CC; &#xD544;&#xD130;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC21C;&#xAC04; &#xC8FC;&#xD30C;&#xC218; &#xCD94;&#xC815; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xCD94;&#xC801; &#xAC1C;&#xC694;. &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158;&#xB41C; &#xC9F9;&#xC9F9;&#xC640; &#xC950; &#xD574; &#xB9C8;;&#xC5D0;&#xC11C; &#xAE30;&#xB85D; &#xB41C; &#xC2E4;&#xC81C; &#xB1CC; &#xD30C;/LFP &#xB370;&#xC774;&#xD130;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xD544;&#xD130; &#xC131;&#xB2A5; &#xC2DC;&#xC5F0; &#xADF8;&#xB9AC;&#xACE0; &#xC624;&#xC804; &#xC1FC; / &#xB1CC; &#xD30C;/LFP&#xC5D0; FM &#xD65C;&#xB3D9;&#xC740; &#xC77C;&#xC2DC;&#xC801;&#xC73C;&#xB85C; &#xAD6C;&#xC870;&#xD654; &#xB41C; &#xD589;&#xB3D9; &#xBC0F; &#xC778;&#xC9C0; &#xC0C1;&#xD0DC;&#xC5D0; &#xC758;&#xC874; &#xD558; &#xACE0; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC774; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xC804;&#xAE30; &#xC0DD;&#xB9AC;&#xD559; &#xB370;&#xC774;&#xD130;&#xC758; &#xAE30;&#xBCF8; &#xAD6C;&#xC870;&#xB97C; &#xD2B9;&#xC131;&#xD654; &#xD558; &#xACE0; &#xB1CC;&#xC758; &#xC5F0;&#xC0B0; &#xC0C1;&#xD0DC; &#xBD84;&#xB958; &#xC2E4;&#xC6A9;&#xC801;&#xC778; &#xB3C4;&#xAD6C;&#xAC00; &#xB420; &#xAC00;&#xB2A5;&#xC131;&#xC774; &#xC788;&#xB2E4;.

&#xC989;&#xAC01;&#xC801;&#xC778; &#xC8FC;&#xD30C;&#xC218;&#xC640; &#xD574; &#xB9C8;&#xC758; &#xB1CC; &#xD30C;&#xC758; &#xC9C4;&#xD3ED; &#xBCC0;&#xC870; &#xC0C1;&#xD0DC; &#xC885;&#xC18D; &#xC2DC;&#xAC04;&#xC801; &#xAD6C;&#xC870;&#xB97C; &#xBCF4;&#xC5EC;&#xC900;&#xB2E4;.

La actividad del EEG y de gran formato reflejan las interacciones din&#xE1;micas y organizada de conjuntos neuronales, por lo tanto, es posible utilizar las caracter&#xED;sticas de los ritmos cerebrales para determinar el estado computacional de una red neuronal. Cuando las redes neuronales se activan, los principios f&#xED;sicos predicen que el contenido de frecuencia de la potencial del campo debe reflejar el estado de la red, per se, y ergo la transici&#xF3;n de estado. Una nueva forma para la caracterizaci&#xF3;n de los estados del cerebro es mediante la cuantificaci&#xF3;n de la estructura temporal de AM y FM de actividad (cambio en la amplitud y la frecuencia con el tiempo) para los ritmos cerebrales de inter&#xE9;s. El concepto de AM y FM, en el sentido cuantitativo, est&#xE1; pr&#xE1;cticamente inexplorado en los sistemas de la neurociencia. Esto no es sorprendente teniendo en cuenta la estimaci&#xF3;n de la actividad de FM requiere una estimaci&#xF3;n bien temporal y precisa de la frecuencia instant&#xE1;nea. Para la actividad de la ma&#xF1;ana, el valor absoluto de la transformada de Hilbert es suficiente. Aqu&#xED;, presentamos un algoritmo de polo de seguimiento, que utiliza un filtro de Kalman para los procesos univariantes AR para estimar la frecuencia instant&#xE1;nea. Hemos de demostrar la eficacia del filtro con chirp simulados y reales de EEG / LFP datos registrados en el hipocampo de la rata, y demostrar que AM / FM en la actividad de EEG / LFP es temporalmente estructurada y depende del estado cognitivo y de comportamiento. Este algoritmo tiene el potencial para ser una herramienta pr&#xE1;ctica para la caracterizaci&#xF3;n de la estructura fundamental de los datos de electrofisiolog&#xED;a y la clasificaci&#xF3;n de estados computacionales del cerebro.

Frecuencia instant&#xE1;nea y la modulaci&#xF3;n de amplitud de EEG en el hipocampo Estado revela la estructura temporal de dependientes

&#x5FEB;&#x901F;&#x632F;&#x8361;&#x6216;&quot;&#x6D9F;&#x6F2A;&quot;&#xFF0C;&#x53D1;&#x73B0;&#x5728;&#x5C40;&#x90E8;&#x9886;&#x57DF;&#x6F5C;&#x5728; (LFP) &#x556E;&#x9F7F;&#x52A8;&#x7269;&#x6D77;&#x9A6C;&#x5728;&#x6E05;&#x9192;&#x548C;&#x7761;&#x7720;&#x72B6;&#x6001;&#x4E2D;&#x3002;&#x5DF2;&#x7ECF;&#x53D1;&#x73B0;&#x6D9F;&#x6F2A;&#x5173;&#x8054;&#x4E0E;&#x5185;&#x5B58;&#x76F8;&#x5173;&#x7684;&#x795E;&#x7ECF;&#x5904;&#x7406;&#xFF0C;&#x7136;&#x800C;&#xFF0C;&#x6CE2;&#x7EB9;&#x7684;&#x529F;&#x80FD;&#x89D2;&#x8272;&#x5C1A;&#x672A;&#x5B8C;&#x5168;&#x5EFA;&#x7ACB;&#x3002;&#x6211;&#x4EEC;&#x5E94;&#x7528;&#x5361;&#x5C14;&#x66FC;&#x5E73;&#x6ED1;&#x57FA;&#x4E8E;&#x7684;&#x4F30;&#x8BA1;&#x7684;&#x77AC;&#x65F6;&#x9891;&#x7387; &#xFF08;&#x628A;&#xFF09; &#x548C;&#x8C03;&#x9891; (FM) &#x4EE5;&#x6CE2;&#x7EB9;&#x632F;&#x8361;&#x6162;&#x6CE2;&#x7761;&#x7720;&#x671F;&#x95F4;&#x5F55;&#x5F97;&#x7684;&#x5927;&#x9F20;&#x548C;&#x5C0F;&#x9F20;&#x6D77;&#x9A6C; CA1 &#x533A;&#x57DF;&#x4ECE;&#x4F53;&#x5185;&#x3002;&#x6211;&#x4EEC;&#x53D1;&#x73B0; (1) &#x6D9F;&#x6F2A;&#x5C55;&#x793A;&#x662F;&#x4E00;&#x81F4;&#x7684;&#x5927;&#x9F20;&#x548C;&#x5C0F;&#x9F20;&#x7684;&#x9648;&#x89C4;&#x5B9A;&#x578B;&#x9891;&#x7387;&#x52A8;&#x6001;&#x3001; (2) &#x77AC;&#x65F6;&#x9891;&#x7387;&#x4FE1;&#x606F;&#x53EF;&#x4F5C;&#x4E3A;&#x9644;&#x52A0;&#x7EF4;&#x5EA6;&#x4E2D;&#x7684;&#x6CE2;&#x7EB9;&#x4E8B;&#x4EF6;&#x5206;&#x7C7B;&#x548C;&#x6D9F;&#x6F2A; (3) &#x77AC;&#x65F6;&#x9891;&#x7387;&#x7ED3;&#x6784;&#x53EF;&#x80FD;&#x7528;&#x4E8E;&#x6539;&#x5584;&#x7EB9;&#x6CE2;&#x4E8B;&#x4EF6;&#x901A;&#x8FC7;&#x51CF;&#x5C11;&#x7C7B;&#x578B;&#x68C0;&#x6D4B;&#x6211;&#x548C;&#x7B2C;&#x4E8C;&#x7C7B;&#x9519;&#x8BEF;&#x3002;&#x57FA;&#x4E8E;&#x6211;&#x4EEC;&#x7684;&#x7814;&#x7A76;&#x7ED3;&#x679C;&#xFF0C;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x7684;&#x52A8;&#x6001;&#x9891;&#x7387;&#x9AD8;&#x7684;&#x65F6;&#x95F4;&#x548C;&#x5149;&#x8C31;&#x5206;&#x8FA8;&#x7387;&#x4F30;&#x8BA1;&#x53EF;&#x7528;&#x4E8E;&#x5E2E;&#x52A9;&#x6F84;&#x6E05;&#x7684;&#x6CE2;&#x7EB9;&#x4EE3;&#x4E0E;&#x5185;&#x5B58;&#x76F8;&#x5173;&#x7684;&#x5904;&#x7406;&#x673A;&#x5236;&#x3002;

&#x8868;&#x5F81;&#x556E;&#x9F7F;&#x52A8;&#x7269;&#x6D77;&#x9A6C;&#x5FEB;&#x901F;&#x632F;&#x8361;&#x7684;&#x52A8;&#x6001;&#x9891;&#x7387;&#x7ED3;&#x6784;&#x3002;

Fast oscillations or "ripples" are found in the local field potential (LFP) of the rodent hippocampus during awake and sleep states. Ripples have been found to correlate with memory related neural processing, however, the functional role of the ripple has yet to be fully established. We applied a Kalman smoother based estimator of instantaneous frequency (iFreq) and frequency modulation (FM) to ripple oscillations recorded in-vivo from region CA1 of the rat and mouse hippocampus during slow wave sleep. We found that (1) ripples exhibit stereotypical frequency dynamics that are consistent in the rat and mouse, (2) instantaneous frequency information may be used as an additional dimension in the classification of ripple events, and (3) the instantaneous frequency structure of ripples may be used to improve the detection of ripple events by reducing Type I and Type II errors. Based on our results, we propose that high temporal and spectral resolution estimates of frequency dynamics may be used to help elucidate the mechanisms of ripple generation and memory related processing.

Characterizing the dynamic frequency structure of fast oscillations in the rodent hippocampus.

Oscillations rapides ou &#x26;quot;ondulations&#x26;quot; se trouvent dans le potentiel de champ local (LFP) de l&#x26;#39;hippocampe des rongeurs pendant les &#xE9;tats d&#x26;#39;&#xE9;veil et de sommeil. Ripples ont &#xE9;t&#xE9; trouv&#xE9;s en corr&#xE9;lation avec la m&#xE9;moire de traitement neuronal li&#xE9;, cependant, le r&#xF4;le fonctionnel de l&#x26;#39;ondulation n&#x26;#39;a pas encore &#xE9;t&#xE9; totalement &#xE9;tablie. Nous avons appliqu&#xE9; une Kalman lisse estimateur de la fr&#xE9;quence instantan&#xE9;e (ifreq) et la modulation de fr&#xE9;quence (FM) &#xE0; des oscillations d&#x26;#39;entra&#xEE;nement enregistr&#xE9;es in vivo de la r&#xE9;gion CA1 de l&#x26;#39;hippocampe du rat et la souris pendant le sommeil &#xE0; ondes lentes. Nous avons constat&#xE9; que (1) pr&#xE9;sentent des ondulations de fr&#xE9;quences dynamique st&#xE9;r&#xE9;otyp&#xE9;es qui sont compatibles chez le rat et la souris, (2) informations sur la fr&#xE9;quence instantan&#xE9;e peut &#xEA;tre utilis&#xE9;e comme une dimension suppl&#xE9;mentaire dans la classification des &#xE9;v&#xE9;nements d&#x26;#39;entra&#xEE;nement, et (3) de la structure de la fr&#xE9;quence instantan&#xE9;e des rides peut &#xEA;tre utilis&#xE9; pour am&#xE9;liorer la d&#xE9;tection des &#xE9;v&#xE9;nements d&#x26;#39;entra&#xEE;nement en r&#xE9;duisant Type I et Type II erreurs. Sur la base de nos r&#xE9;sultats, nous proposons que le niveau &#xE9;lev&#xE9; des estimations r&#xE9;solution temporelle et spectrale de la dynamique de fr&#xE9;quence peut &#xEA;tre utilis&#xE9;e pour aider &#xE0; &#xE9;lucider les m&#xE9;canismes de g&#xE9;n&#xE9;ration d&#x26;#39;ondulation et traitement de la m&#xE9;moire associ&#xE9;e.

Caract&#xE9;risation de la structure dynamique de fr&#xE9;quence des oscillations rapides dans l&#x26;#39;hippocampe des rongeurs

Schnelle Schwingungen oder &quot;Wellen&quot; befinden sich im lokalen Bereich potenziellen (LFP) des Nagetier-Hippocampus w&auml;hrend wach und Ruhezust&auml;nde. Wellen gefunden worden sind, zur Korrelation mit Speicher Verwandte neuronale Verarbeitung, hat jedoch die funktionale Rolle der Welle noch nicht vollst&auml;ndig eingerichtet werden. Wir angewendet ein Kalman glatter Basis Sch&auml;tzer der momentanen Frequenz (iFreq) und Frequenzmodulation (FM) zu Schwingungen kr&auml;useln in-Vivo aus Region CA1 des Hippocampus Ratte und Maus w&auml;hrend langsamer Welle Schlaf aufgezeichnet. Wir fanden, dass (1) Wellen Stereotype Frequenz Dynamik aufweisen, die in der Ratte und Maus konsistent sind, (2) instantaneous Frequenzinformation als eine zus&auml;tzliche Dimension in der Klassifikation der Welligkeit Veranstaltungen verwendet werden kann und (3) die momentanen Frequenz-Struktur der Wellen kann verwendet werden, um den Nachweis der Welligkeit Ereignisse vom Typ zu verbessern, I und Typ II-St&ouml;rungen. Auf der Grundlage unserer Ergebnisse, schlagen wir vor, hoher zeitlicher und spektrale Aufl&ouml;sung Einsch&auml;tzungen Frequenz Dynamik verwendet werden d&uuml;rfen, zu helfen, die Mechanismen der Welligkeit Generation und Speicher Verwandte Verarbeitung zu erhellen.

Charakterisierung der Frequenz-Struktur der schnellen Schwingungen des Nagetier-Hippocampus.

Oscillazioni veloci o &quot;increspature&quot; si trovano nel locale campo potenziale (LFP) del roditore ippocampo durante sveglio e Stati di sonno. Increspature sono state trovate per correlare con relativa elaborazione neurale memoria, tuttavia, il ruolo funzionale dell&#39;increspatura deve ancora essere pienamente stabilita. Abbiamo applicato un estimatore base liscia Kalman di frequenza istantanea (iFreq) e modulazione di frequenza (FM) a ripple oscillazioni registrate in vivo da regione CA1 dell&#39;ippocampo di ratto e topo durante il sonno ad onde lente. Abbiamo trovato che (1) increspature presentano dinamiche frequenza stereotipata che sono coerenti nel ratto e topo, frequenza istantanea (2) informazioni possono essere utilizzate come una dimensione aggiuntiva nella classificazione degli eventi ripple e (3) la struttura frequenza istantanea delle increspature possa essere utilizzata per migliorare il rilevamento di eventi ripple riducendo tipo I e tipo II errori. Basato sui nostri risultati, proponiamo che le stime di alta risoluzione temporale e spettrale della dinamica di frequenza possono essere utilizzate per contribuire a delucidare i meccanismi di ripple generazione e memoria relativa elaborazione.

Che caratterizzano la struttura di frequenza dinamica delle oscillazioni veloci nell&#39;ippocampo roditore.

&#x9AD8;&#x901F;&#x632F;&#x52D5;&#x3084; &#x26;quot;&#x6CE2;&#x7D0B;&#x26;quot;&#x304C;&#x76EE;&#x3092;&#x899A;&#x307E;&#x3057;&#x3001;&#x7761;&#x7720;&#x72B6;&#x614B;&#x306E;&#x9593;&#x306B;&#x9F67;&#x6B6F;&#x985E;&#x306E;&#x6D77;&#x99AC;&#x306E;&#x5C40;&#x6240;&#x96FB;&#x5834;&#x96FB;&#x4F4D;&#xFF08;LFP&#xFF09;&#x306B;&#x8A18;&#x8F09;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x6CE2;&#x7D0B;&#x306F;&#x3001;&#x30E1;&#x30E2;&#x30EA;&#x95A2;&#x9023;&#x306E;&#x795E;&#x7D4C;&#x51E6;&#x7406;&#x3068;&#x76F8;&#x95A2;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x898B;&#x51FA;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x304C;&#x3001;&#x30EA;&#x30C3;&#x30D7;&#x30EB;&#x306E;&#x6A5F;&#x80FD;&#x7684;&#x5F79;&#x5272;&#x306F;&#x307E;&#x3060;&#x5B8C;&#x5168;&#x306B;&#x78BA;&#x7ACB;&#x3059;&#x308B;&#x5FC5;&#x8981;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005;&#x306F;&#x3001;&#x5F90;&#x6CE2;&#x7761;&#x7720;&#x6642;&#x306E;&#x30E9;&#x30C3;&#x30C8;&#x304A;&#x3088;&#x3073;&#x30DE;&#x30A6;&#x30B9;&#x306E;&#x6D77;&#x99AC;&#x306E;&#x9818;&#x57DF;CA1&#x304B;&#x3089;&#x751F;&#x4F53;&#x5185;&#x3067;&#x8A18;&#x9332;&#x3055;&#x308C;&#x305F;&#x30EA;&#x30C3;&#x30D7;&#x30EB;&#x632F;&#x52D5;&#x306B;&#x77AC;&#x6642;&#x5468;&#x6CE2;&#x6570;&#x306E;&#x30AB;&#x30EB;&#x30DE;&#x30F3;&#x30B9;&#x30E0;&#x30FC;&#x30BA;&#x306B;&#x57FA;&#x3065;&#x304F;&#x63A8;&#x5B9A;&#xFF08;&#x3064;&#x305A;&#x3064;&#x5B58;&#x5728;&#xFF09;&#x3068;&#x5468;&#x6CE2;&#x6570;&#x5909;&#x8ABF;&#xFF08;FM&#xFF09;&#x3092;&#x9069;&#x7528;&#x3057;&#x305F;&#x3002;&#x6211;&#x3005;&#x306F;&#x3001;&#xFF08;1&#xFF09;&#x6CE2;&#x7D0B;&#xFF08;2&#xFF09;&#x77AC;&#x6642;&#x5468;&#x6CE2;&#x6570;&#x60C5;&#x5831;&#x306F;&#x30EA;&#x30C3;&#x30D7;&#x30EB;&#x30A4;&#x30D9;&#x30F3;&#x30C8;&#x306E;&#x5206;&#x985E;&#x306E;&#x8FFD;&#x52A0;&#x30C7;&#x30A3;&#x30E1;&#x30F3;&#x30B7;&#x30E7;&#x30F3;&#x3068;&#x3057;&#x3066;&#x4F7F;&#x7528;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x3001;&#x30E9;&#x30C3;&#x30C8;&#x304A;&#x3088;&#x3073;&#x30DE;&#x30A6;&#x30B9;&#x3067;&#x4E00;&#x8CAB;&#x3057;&#x3066;&#x3044;&#x308B;&#x30B9;&#x30C6;&#x30EC;&#x30AA;&#x30BF;&#x30A4;&#x30D7;&#x306E;&#x5468;&#x6CE2;&#x6570;&#x306E;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x3092;&#x793A;&#x3057;&#x3001;&#x6CE2;&#x7D0B;&#xFF08;3&#xFF09;&#x77AC;&#x6642;&#x5468;&#x6CE2;&#x6570;&#x69CB;&#x9020;&#x306E;&#x3053;&#x3068;&#x304C;&#x308F;&#x304B;&#x3063;&#x305F;&#x30BF;&#x30A4;&#x30D7;I&#x304A;&#x3088;&#x3073;&#x30BF;&#x30A4;&#x30D7;II&#x306E;&#x30A8;&#x30E9;&#x30FC;&#x3092;&#x5165;&#x529B;&#x3057;&#x3066;&#x6E1B;&#x3089;&#x3059;&#x3053;&#x3068;&#x306B;&#x3088;&#x308A;&#x3001;&#x30EA;&#x30C3;&#x30D7;&#x30EB;&#x30A4;&#x30D9;&#x30F3;&#x30C8;&#x306E;&#x691C;&#x51FA;&#x3092;&#x6539;&#x5584;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x308B;&#x3053;&#x3068;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005;&#x306E;&#x7D50;&#x679C;&#x306B;&#x57FA;&#x3065;&#x3044;&#x3066;&#x3001;&#x6211;&#x3005;&#x306F;&#x3001;&#x305D;&#x306E;&#x5468;&#x6CE2;&#x6570;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x306E;&#x9AD8;&#x3044;&#x6642;&#x9593;&#x3068;&#x30B9;&#x30DA;&#x30AF;&#x30C8;&#x30EB;&#x5206;&#x89E3;&#x80FD;&#x306E;&#x63A8;&#x5B9A;&#x5024;&#x306F;&#x30EA;&#x30C3;&#x30D7;&#x30EB;&#x306E;&#x751F;&#x6210;&#x3068;&#x30E1;&#x30E2;&#x30EA;&#x95A2;&#x9023;&#x306E;&#x51E6;&#x7406;&#x306E;&#x30E1;&#x30AB;&#x30CB;&#x30BA;&#x30E0;&#x3092;&#x89E3;&#x660E;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x308B;&#x63D0;&#x6848;&#x3059;&#x308B;&#x3002;

&#x9F67;&#x6B6F;&#x985E;&#x6D77;&#x99AC;&#x306B;&#x304A;&#x3051;&#x308B;&#x9AD8;&#x901F;&#x632F;&#x52D5;&#x306E;&#x52D5;&#x7684;&#x5468;&#x6CE2;&#x6570;&#x69CB;&#x9020;&#x3092;&#x7279;&#x5FB4;&#x4ED8;&#x3051;&#x308B;

&#xBE60;&#xB978; &#xC9C4;&#xB3D9; &#xB610;&#xB294; &quot;&#xC794;&#xBB3C;&#xACB0;&quot; &#xB85C;&#xCEEC; &#xD544;&#xB4DC; &#xAC00;&#xB2A5;&#xC131; (LFP) &#xAE68;&#xC5B4; &#xC788;&#xB294; &#xB3D9;&#xC548; &#xC950; &#xD574; &#xB9C8;&#xC758; &#xC218; &#xBA74; &#xC0C1;&#xD0DC;&#xC5D0;&#xC11C;&#xC5D0;&#xC11C; &#xCC3E;&#xC744; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098; &#xC794;&#xBB3C;&#xACB0; &#xBA54;&#xBAA8;&#xB9AC; &#xAD00;&#xB828;&#xB41C; &#xC2E0;&#xACBD; &#xCC98;&#xB9AC;&#xC640; &#xC0C1;&#xAD00; &#xAD00;&#xACC4;&#xB97C; &#xBC1C;&#xACAC; &#xB418;&#xC5C8;&#xC2B5;&#xB2C8;&#xB2E4;, &#xB9AC;&#xD50C;&#xC758; &#xAE30;&#xB2A5;&#xC801; &#xC5ED;&#xD560; &#xC544;&#xC9C1; &#xC644;&#xC804;&#xD788; &#xC124;&#xC815;. &#xC6B0;&#xB9AC; &#xCE7C;&#xB9CC; &#xBD80;&#xB4DC;&#xB7FD;&#xAC8C; &#xAE30;&#xBC18;&#xB41C; &#xACAC;&#xC801; &#xC989;&#xAC01;&#xC801;&#xC778; &#xC8FC;&#xD30C;&#xC218; (iFreq)&#xC758; &#xC801;&#xC6A9; &#xBC0F; &#xC9C4;&#xB3D9; &#xB9AC;&#xD50C; &#xC8FC;&#xD30C;&#xC218; &#xBCC0;&#xC870; (FM) &#xB3D9;&#xC548; &#xB290;&#xB9B0; &#xD30C;&#xB3C4; &#xC7A0; &#xC950;&#xC640; &#xC950; &#xD574; &#xB9C8;&#xC758; CA1 &#xC9C0;&#xC5ED;&#xC5D0;&#xC11C; &#xBE44;&#xBCF4;&#xB97C; &#xAE30;&#xB85D;. &#xD30C;&#xBB38; (1) &#xC950;&#xC640; &#xB9C8;&#xC6B0;&#xC2A4;&#xC5D0;&#xC11C; &#xD2C0;&#xC5D0; &#xBC15;&#xD78C; &#xC8FC;&#xD30C;&#xC218; &#xC5ED;&#xD559; &#xC804;&#xC2DC;&#xB97C; &#xCC3E;&#xC558;&#xC2B5;&#xB2C8;&#xB2E4;, (2) &#xC989;&#xAC01;&#xC801;&#xC778; &#xC8FC;&#xD30C;&#xC218; &#xC815;&#xBCF4; &#xB9AC;&#xD50C; &#xC774;&#xBCA4;&#xD2B8; &#xBD84;&#xB958;&#xC5D0;&#xC11C; &#xCD94;&#xAC00; &#xCC28;&#xC6D0;&#xC73C;&#xB85C; &#xC0AC;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xBC0F; (3) &#xD30C;&#xBB38;&#xC758; &#xC989;&#xAC01;&#xC801;&#xC778; &#xC8FC;&#xD30C;&#xC218; &#xAD6C;&#xC870; &#xB9AC;&#xD50C; &#xC774;&#xBCA4;&#xD2B8; &#xC720;&#xD615;&#xC744; &#xC904;&#xC784;&#xC73C;&#xB85C;&#xC368; &#xD0D0;&#xC9C0;&#xB97C; &#xD5A5;&#xC0C1; &#xC2DC;&#xD0A4;&#xAE30; &#xC704;&#xD574; &#xC0AC;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; I &#xBC0F; &#xC720;&#xD615; II&#xC5D0; &#xC624;&#xB958;. &#xC6B0;&#xB9AC;&#xC758; &#xACB0;&#xACFC; &#xBC14;&#xD0D5;&#xC73C;&#xB85C;, &#xC6B0;&#xB9AC;&#xB294; &#xC8FC;&#xD30C;&#xC218; &#xC5ED;&#xD559;&#xC758; &#xC2DC;&#xAC04;&#xC801; &#xBC0F; &#xC2A4;&#xD399;&#xD2B8;&#xB7FC; &#xACE0;&#xD574;&#xC0C1;&#xB3C4; &#xACAC;&#xC801; &#xB9AC;&#xD50C; &#xC0DD;&#xC131; &#xBC0F; &#xBA54;&#xBAA8;&#xB9AC; &#xAD00;&#xB828;&#xB41C; &#xCC98;&#xB9AC; &#xBA54;&#xCEE4;&#xB2C8;&#xC998;&#xC744; &#xBA85;&#xB8CC; &#xD558; &#xAC8C; &#xD558;&#xB294; &#xB370; &#xC0AC;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xC81C;&#xC548; &#xD569;&#xB2C8;&#xB2E4;.

&#xC950; &#xD574; &#xB9C8;&#xC5D0;&#xC11C; &#xBE60;&#xB978; &#xC9C4;&#xB3D9;&#xC758; &#xB3D9;&#xC801; &#xC8FC;&#xD30C;&#xC218; &#xAD6C;&#xC870; &#xD2B9;&#xC131;&#xD654;.

Oscilaciones r&#xE1;pidas o &#x26;quot;ondulaci&#xF3;n&#x26;quot; se encuentran en el potencial del campo local (LFP) del hipocampo de roedores durante los estados despierto y el sue&#xF1;o. Ondas se ha encontrado que se correlaciona con la memoria neuronal procesamiento relacionado, sin embargo, el papel funcional de la ondulaci&#xF3;n todav&#xED;a no se ha establecido completamente. Se aplic&#xF3; un suave Kalman estimador basado en la frecuencia instant&#xE1;nea (ifreq) y frecuencia modulada (FM) a las oscilaciones domin&#xF3; registrados en vivo de la regi&#xF3;n CA1 del hipocampo de la rata y el rat&#xF3;n durante el sue&#xF1;o de ondas lentas. Hemos encontrado que (1) exhiben ondas de frecuencia din&#xE1;mica estereotipadas que son consistentes en la rata y el rat&#xF3;n, (2) informaci&#xF3;n de la frecuencia instant&#xE1;nea puede utilizarse como una dimensi&#xF3;n adicional en la clasificaci&#xF3;n de eventos ondulaci&#xF3;n, y (3) la estructura de la frecuencia instant&#xE1;nea de ondas puede utilizarse para mejorar la detecci&#xF3;n de eventos ondulaci&#xF3;n mediante la reducci&#xF3;n de errores Tipo I y Tipo II. En base a nuestros resultados, proponemos que las altas estimaciones de resoluci&#xF3;n temporal y espectral de la din&#xE1;mica de la frecuencia se puede utilizar para ayudar a dilucidar los mecanismos de generaci&#xF3;n de ondas y el procesamiento de la memoria correspondiente.

La caracterizaci&#xF3;n de la estructura din&#xE1;mica de frecuencia de oscilaciones r&#xE1;pidas en el hipocampo de roedores

&#x8282;&#x594F;&#x5C40;&#x90E8;&#x573A;&#x7535;&#x4F4D; (Lfp) &#x4EA7;&#x751F;&#x534F;&#x8C03;&#x795E;&#x7ECF;&#x6D3B;&#x52A8;&#x3002;&#x63A8;&#x7406;&#x7684;&#x795E;&#x7ECF;&#x529F;&#x80FD;&#x57FA;&#x4E8E;&#x8111;&#x8282;&#x5F8B;&#x7684;&#x5C5E;&#x6027;&#x4ECD;&#x7136;&#x662F;&#x4E00;&#x4E2A;&#x5177;&#x6709;&#x6311;&#x6218;&#x6027;&#x7684;&#x6570;&#x636E;&#x5206;&#x6790;&#x95EE;&#x9898;&#x3002;&#x7279;&#x70B9;&#x975E;&#x5E73;&#x7A33;&#x8282;&#x594F;&#x4E0E;&#x9AD8;&#x7684;&#x65F6;&#x95F4;&#x548C;&#x5149;&#x8C31;&#x5206;&#x8FA8;&#x7387;&#x7684;&#x7B97;&#x6CD5;&#x53EF;&#x7528;&#x4E8E;&#x89E3;&#x91CA; LFP &#x751F;&#x6210;&#x5B83;&#x4EEC;&#x7684;&#x65F6;&#x95F4;&#x5C3A;&#x5EA6;&#x4E0A;&#x7684;&#x6D3B;&#x52A8;&#x3002;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x5361;&#x5C14;&#x66FC;&#x5E73;&#x6ED1;&#x57FA;&#x4E8E;&#x52A8;&#x6001;&#x81EA;&#x56DE;&#x5F52;&#x6A21;&#x578B;&#x7528;&#x4E8E;&#x8DDF;&#x8E2A;&#x7684;&#x77AC;&#x65F6;&#x9891;&#x7387; &#xFF08;&#x628A;&#xFF09; &#x548C;&#x8C03;&#x9891; (FM) &#x7684;&#x5608;&#x6742;&#x548C;&#x975E;&#x5E73;&#x7A33;&#x7684;&#x6B63;&#x5F26;&#x6CE2;&#x7684;&#x5982; LFP &#x6570;&#x636E;&#x4E2D;&#x627E;&#x5230;&#x3002;&#x6211;&#x4EEC;&#x9A8C;&#x8BC1;&#x6211;&#x4EEC;&#x63D0;&#x4F9B;&#x5E7F;&#x6CDB;&#x7684;&#x5149;&#x8C31;&#x5185;&#x5BB9;&#xFF0C;&#x4F7F;&#x7528;&#x6A21;&#x62DF;&#x7684;&#x6570;&#x636E;&#x7684;&#x7B97;&#x6CD5;&#x7684;&#x6027;&#x80FD;&#xFF0C;&#x5E76;&#x6F14;&#x793A;&#x4F7F;&#x7528;&#x771F;&#x5B9E;&#x6570;&#x636E;&#x8BB0;&#x5F55;&#x4ECE;&#x884C;&#x4E3A;&#x5B66;&#x4E60;&#x5B9E;&#x9A8C;&#x53CA;&#x5176;&#x5E94;&#x7528;&#x3002;&#x8BB0;&#x5F55;&#x4ECE;&#x556E;&#x9F7F;&#x52A8;&#x7269;&#x6D77;&#x9A6C;&#x7684;&#x632F;&#x8361;&#x6CE2;&#x7EB9; &#xFF08;100-250 Hz&#xFF09; &#x7684;&#x5206;&#x6790;&#xFF0C;&#x5728;&#x6211;&#x4EEC;&#x7684;&#x7B97;&#x6CD5;&#x786E;&#x5B9A;&#x65B0;&#x578B;&#x7684;&#x91CD;&#x590D;&#x6027;&#x3001; &#x77ED;&#x65F6;&#x95F4;&#x523B;&#x5EA6;&#x9891;&#x7387;&#x52A8;&#x6001;&#x3002;&#x6211;&#x4EEC;&#x7684;&#x7814;&#x7A76;&#x7ED3;&#x679C;&#x8868;&#x660E;&#x628A;&#x548C; FM &#x53EF;&#x80FD;&#x6709;&#x7528;&#x7684;&#x5C0F;&#x65F6;&#x95F4;&#x523B;&#x5EA6; LFP &#x52A8;&#x6001;&#x91CF;&#x5316;&#x63AA;&#x65BD;&#x3002;

&#x6D4B;&#x91CF;&#x77AC;&#x65F6;&#x9891;&#x7387;&#x7684;&#x4F7F;&#x7528;&#x66F4;&#x987A;&#x7545;&#x7684;&#x5361;&#x5C14;&#x66FC;&#x5C40;&#x90E8;&#x573A;&#x7535;&#x4F4D;&#x632F;&#x8361;&#x3002;

Rhythmic local field potentials (LFPs) arise from coordinated neural activity. Inference of neural function based on the properties of brain rhythms remains a challenging data analysis problem. Algorithms that characterize non-stationary rhythms with high temporal and spectral resolution may be useful for interpreting LFP activity on the timescales in which they are generated. We propose a Kalman smoother based dynamic autoregressive model for tracking the instantaneous frequency (iFreq) and frequency modulation (FM) of noisy and non-stationary sinusoids such as those found in LFP data. We verify the performance of our algorithm using simulated data with broad spectral content, and demonstrate its application using real data recorded from behavioral learning experiments. In analyses of ripple oscillations (100-250Hz) recorded from the rodent hippocampus, our algorithm identified novel repetitive, short timescale frequency dynamics. Our results suggest that iFreq and FM may be useful measures for the quantification of small timescale LFP dynamics.

Measuring instantaneous frequency of local field potential oscillations using the Kalman smoother.

Rythmique potentiels de champs locaux (LFP) proviennent de l&#x26;#39;activit&#xE9; neuronale coordonn&#xE9;e. Inf&#xE9;rence de la fonction neuronale bas&#xE9;e sur les propri&#xE9;t&#xE9;s des rythmes du cerveau reste un probl&#xE8;me d&#x26;#39;analyse des donn&#xE9;es difficile. Algorithmes qui caract&#xE9;risent non-stationnaires rythmes avec une r&#xE9;solution temporelle et spectrale &#xE9;lev&#xE9;e peuvent &#xEA;tre utiles pour l&#x26;#39;interpr&#xE9;tation d&#x26;#39;activit&#xE9; LFP sur les d&#xE9;lais dans lesquels ils sont g&#xE9;n&#xE9;r&#xE9;s. Nous proposons un mod&#xE8;le bas&#xE9; sur Kalman lisse dynamique autor&#xE9;gressive pour le suivi de la fr&#xE9;quence instantan&#xE9;e (ifreq) et la modulation de fr&#xE9;quence (FM) de sinuso&#xEF;des bruit&#xE9;es et non-stationnaire tels que ceux trouv&#xE9;s dans les donn&#xE9;es de LFP. Nous v&#xE9;rifions la performance de notre algorithme en utilisant des donn&#xE9;es simul&#xE9;es avec le contenu spectral large, et de d&#xE9;montrer son application &#xE0; l&#x26;#39;aide des donn&#xE9;es r&#xE9;elles enregistr&#xE9;es &#xE0; partir d&#x26;#39;exp&#xE9;riences d&#x26;#39;apprentissage du comportement. Dans les analyses des oscillations d&#x26;#39;entra&#xEE;nement (100-250Hz) enregistr&#xE9;es &#xE0; partir de l&#x26;#39;hippocampe des rongeurs, notre algorithme identifi&#xE9; de nouveaux r&#xE9;p&#xE9;titifs, courts dynamique de fr&#xE9;quence d&#x26;#39;&#xE9;chelle de temps. Nos r&#xE9;sultats sugg&#xE8;rent que ifreq et FM peuvent &#xEA;tre des mesures utiles pour la quantification de la dynamique petite &#xE9;chelle de temps LFP.

Mesurer Fr&#xE9;quence instantan&#xE9;e d&#x26;#39;oscillations locales potentiel de champ &#xE0; l&#x26;#39;aide de la lisse Kalman

Rhythmische lokales Feld Potentiale (LFPs) ergeben sich aus koordinierte neuronale Aktivit&auml;t. Ableitung der neuronalen Funktion aufgrund der Eigenschaften des Gehirns Rhythmen bleibt eine Herausforderung des Daten-Analyse. Algorithmen, die nicht-station&auml;re Rhythmen mit hoher zeitlicher und spektrale Aufl&ouml;sung charakterisieren m&ouml;glicherweise hilfreich f&uuml;r die Interpretation von LFP-Aktivit&auml;t auf dem Zeitplan, in denen sie generiert werden. Wir schlagen ein Kalman glatter basierte dynamische Autoregressive Modell f&uuml;r die Verfolgung der momentanen Frequenz (iFreq) und Frequenzmodulation (FM) von lauten und nicht-station&auml;re Sinusoide z. B. auf LFP-Daten. Wir die Leistung von unseren Algorithmus mit simulierte Daten mit breiten spektralen Inhalt &uuml;berpr&uuml;fen und seine Anwendung mit Echtdaten registrate Verhaltens lernen Experimente zu demonstrieren. In Analysen der Welligkeit Schwingungen (100-250 Hz) aus dem Nagetier-Hippocampus aufgezeichnet identifiziert unser Algorithmus Roman wiederholte, kurzen Zeitskala Frequenz Dynamik. Unsere Ergebnisse legen nahe, dass m&ouml;glicherweise iFreq und FM n&uuml;tzliche Ma&szlig;nahmen f&uuml;r die Quantifizierung der kleine Zeitskala LFP Dynamik.

Sofortige Messfrequenz lokales Feld m&ouml;glicher Schwingungen mit dem Kalman Polierer.

Potenziali di campo locale ritmica (LFPs) nascono dalla coordinata attivit&agrave; neurale. Inferenza della funzione neurale sulla base delle propriet&agrave; dei ritmi cerebrali rimane un problema di analisi dati impegnativo. Gli algoritmi che caratterizzano ritmi non stazionari con alta risoluzione temporale e spettrale possono essere utili per l&#39;interpretazione di attivit&agrave; LFP sui tempi in cui vengono generati. Vi proponiamo un modello autoregressivo dinamico basato lisciatrice Kalman per rilevare la frequenza istantanea (iFreq) e la modulazione di frequenza (FM) di sinusoidi rumorosi e non stazionari come quelli trovati nei dati LFP. Verifichiamo le prestazioni del nostro algoritmo utilizzando dati simulati con ampio contenuto spettrale e dimostrare la sua applicazione utilizzando dati reali registrati dagli esperimenti di apprendimento comportamentale. Nell&#39;analisi delle oscillazioni di ripple (100-250 Hz) registrate da roditore ippocampo, il nostro algoritmo identificato dinamiche frequenza temporale ripetitivo, breve romanzo. I nostri risultati suggeriscono che iFreq e FM possono essere misure utili per la quantificazione delle dinamiche LFP piccola scala cronologica.

Misura frequenza istantanea delle oscillazioni potenziali di campo locale utilizzando la lisciatrice di Kalman.

&#x30EA;&#x30BA;&#x30DF;&#x30AB;&#x30EB;&#x306A;&#x30ED;&#x30FC;&#x30AB;&#x30EB;&#x30D5;&#x30A3;&#x30FC;&#x30EB;&#x30C9;&#x30DD;&#x30C6;&#x30F3;&#x30B7;&#x30E3;&#x30EB;&#xFF08;LFPs&#xFF09;&#x304C;&#x5354;&#x8ABF;&#x795E;&#x7D4C;&#x6D3B;&#x52D5;&#x304B;&#x3089;&#x751F;&#x3058;&#x308B;&#x3002;&#x8133;&#x306E;&#x30EA;&#x30BA;&#x30E0;&#x306E;&#x30D7;&#x30ED;&#x30D1;&#x30C6;&#x30A3;&#x306B;&#x57FA;&#x3065;&#x3044;&#x3066;&#x795E;&#x7D4C;&#x6A5F;&#x80FD;&#x306E;&#x63A8;&#x5B9A;&#x304C;&#x56F0;&#x96E3;&#x306A;&#x30C7;&#x30FC;&#x30BF;&#x5206;&#x6790;&#x4E0A;&#x306E;&#x554F;&#x984C;&#x306E;&#x307E;&#x307E;&#x3067;&#x3059;&#x3002;&#x9AD8;&#x6642;&#x9593;&#x3068;&#x30B9;&#x30DA;&#x30AF;&#x30C8;&#x30EB;&#x5206;&#x89E3;&#x80FD;&#x3067;&#x975E;&#x5B9A;&#x5E38;&#x306E;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x7279;&#x5FB4;&#x3065;&#x3051;&#x308B;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306F;&#x305D;&#x308C;&#x3089;&#x304C;&#x751F;&#x6210;&#x3055;&#x308C;&#x308B;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x306B;LFP&#x6D3B;&#x52D5;&#x3092;&#x89E3;&#x91C8;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x5F79;&#x306B;&#x7ACB;&#x3064;&#x304B;&#x3082;&#x3057;&#x308C;&#x307E;&#x305B;&#x3093;&#x3002;&#x6211;&#x3005;&#x306F;&#x3053;&#x306E;&#x3088;&#x3046;&#x306A;LFP&#x30C7;&#x30FC;&#x30BF;&#x306B;&#x898B;&#x3089;&#x308C;&#x308B;&#x3088;&#x3046;&#x306A;&#x9A12;&#x3005;&#x3057;&#x3044;&#x3068;&#x975E;&#x5B9A;&#x5E38;&#x6B63;&#x5F26;&#x6CE2;&#x306E;&#x77AC;&#x6642;&#x5468;&#x6CE2;&#x6570;&#x3092;&#x30C8;&#x30E9;&#x30C3;&#x30AD;&#x30F3;&#x30B0;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x30AB;&#x30EB;&#x30DE;&#x30F3;&#x30D5;&#x30A3;&#x30EB;&#x30BF;&#x3088;&#x308A;&#x30B9;&#x30E0;&#x30FC;&#x30BA;&#x306B;&#x57FA;&#x3065;&#x304F;&#x52D5;&#x7684;&#x81EA;&#x5DF1;&#x56DE;&#x5E30;&#x30E2;&#x30C7;&#x30EB;&#xFF08;&#x3064;&#x305A;&#x3064;&#x5B58;&#x5728;&#xFF09;&#x3092;&#x63D0;&#x6848;&#x3057;&#x3001;&#x5468;&#x6CE2;&#x6570;&#x5909;&#x8ABF;&#xFF08;FM&#xFF09;&#x3002;&#x6211;&#x3005;&#x306F;&#x3001;&#x5E83;&#x3044;&#x30B9;&#x30DA;&#x30AF;&#x30C8;&#x30EB;&#x306E;&#x5185;&#x5BB9;&#x3067;&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30C8;&#x3055;&#x308C;&#x305F;&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3001;&#x6211;&#x3005;&#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306E;&#x6027;&#x80FD;&#x3092;&#x691C;&#x8A3C;&#x3057;&#x3001;&#x884C;&#x52D5;&#x306E;&#x5B66;&#x7FD2;&#x5B9F;&#x9A13;&#x304B;&#x3089;&#x8A18;&#x9332;&#x3055;&#x308C;&#x305F;&#x5B9F;&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3001;&#x305D;&#x306E;&#x30A2;&#x30D7;&#x30EA;&#x30B1;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x3052;&#x3063;&#x6B6F;&#x985E;&#x306E;&#x6D77;&#x99AC;&#x304B;&#x3089;&#x8A18;&#x9332;&#x3055;&#x308C;&#x305F;&#x30EA;&#x30C3;&#x30D7;&#x30EB;&#x632F;&#x52D5;&#xFF08;100-250Hz&#x306E;&#xFF09;&#x306E;&#x89E3;&#x6790;&#x3067;&#x306F;&#x3001;&#x6211;&#x3005;&#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306F;&#x3001;&#x65B0;&#x898F;&#x306E;&#x53CD;&#x5FA9;&#x7684;&#x306A;&#x3001;&#x77ED;&#x3044;&#x30BF;&#x30A4;&#x30E0;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x5468;&#x6CE2;&#x6570;&#x306E;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x3092;&#x540C;&#x5B9A;&#x3057;&#x305F;&#x3002;&#x6211;&#x3005;&#x306E;&#x7D50;&#x679C;&#x306B;&#x306F;ifreq&#x3068;FM&#x306F;&#x5C0F;&#x3055;&#x306A;&#x30B9;&#x30B1;&#x30FC;&#x30EB;LFP&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x306E;&#x5B9A;&#x91CF;&#x5316;&#x306E;&#x305F;&#x3081;&#x306E;&#x6709;&#x7528;&#x306A;&#x65BD;&#x7B56;&#x3067;&#x3042;&#x308B;&#x3053;&#x3068;&#x304C;&#x793A;&#x5506;&#x3055;&#x308C;&#x305F;&#x3002;

&#x30B9;&#x30E0;&#x30FC;&#x30BA;&#x306A;&#x30AB;&#x30EB;&#x30DE;&#x30F3;&#x30D5;&#x30A3;&#x30EB;&#x30BF;&#x3092;&#x7528;&#x3044;&#x305F;&#x5C40;&#x6240;&#x96FB;&#x5834;&#x96FB;&#x4F4D;&#x632F;&#x52D5;&#x306E;&#x77AC;&#x6642;&#x5468;&#x6CE2;&#x6570;&#x3092;&#x6E2C;&#x5B9A;&#x3059;&#x308B;

&#xC870;&#xC728; &#xB41C; &#xC2E0;&#xACBD; &#xD65C;&#xB3D9;&#xC5D0;&#xC11C; &#xBC1C;&#xC0DD; &#xD558;&#xB294; &#xB9AC;&#xB4EC; &#xB85C;&#xCEEC; &#xD544;&#xB4DC; &#xC804;&#xC704; (LFPs). &#xB1CC; &#xB9AC;&#xB4EC;&#xC758; &#xC18D;&#xC131;&#xC744; &#xAE30;&#xBC18;&#xC73C;&#xB85C; &#xD558;&#xB294; &#xC2E0;&#xACBD; &#xAE30;&#xB2A5; &#xC720;&#xCD94; &#xC5B4;&#xB824;&#xC6B4; &#xB370;&#xC774;&#xD130; &#xBD84;&#xC11D; &#xBB38;&#xC81C; &#xB0A8;&#xC544; &#xC788;&#xB2E4;. &#xCE21; &#xB450; &#xC5FD;&#xACFC; &#xC2A4;&#xD399;&#xD2B8;&#xB7FC; &#xACE0;&#xD574;&#xC0C1;&#xB3C4; &#xBE44; &#xACE0;&#xC815;&#xC2DD; &#xB9AC;&#xB4EC;&#xC758; &#xD2B9;&#xC131; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xC0DD;&#xC131; &#xB429;&#xB2C8;&#xB2E4; timescales&#xC5D0; LFP &#xD65C;&#xB3D9;&#xC744; &#xD574;&#xC11D; &#xD558;&#xB294; &#xB370; &#xC720;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xC989;&#xAC01;&#xC801;&#xC778; &#xC8FC;&#xD30C;&#xC218; (iFreq) &#xBC0F; LFP &#xB370;&#xC774;&#xD130;&#xC5D0;&#xC11C; &#xBC1C;&#xACAC; &#xB41C; &#xAC19;&#xC740; &#xC2DC;&#xB044;&#xB7EC;&#xC6B4; &#xBC0F; &#xACE0;&#xC815; &#xBE44; &#xC815;&#xD604;&#xD30C;&#xC758; &#xC8FC;&#xD30C;&#xC218; &#xBCC0;&#xC870; (FM)&#xC744; &#xCD94;&#xC801; &#xD558;&#xAE30; &#xC704;&#xD55C; &#xCE7C;&#xB9CC; &#xBD80;&#xB4DC;&#xB7FD;&#xAC8C; &#xAE30;&#xBC18;&#xB41C; &#xB3D9;&#xC801; &#xC790;&#xB3D9; &#xD68C;&#xADC0; &#xBAA8;&#xB378;&#xC744; &#xC81C;&#xC548; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xAD11;&#xBC94;&#xC704; &#xD55C; &#xC2A4;&#xD399;&#xD2B8;&#xB7FC; &#xCF58;&#xD150;&#xCE20;&#xB85C; &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158; &#xB41C; &#xB370;&#xC774;&#xD130;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC758; &#xC131;&#xB2A5;&#xC744; &#xD655;&#xC778; &#xD558; &#xACE0; &#xD589;&#xB3D9; &#xD559;&#xC2B5; &#xC2E4;&#xD5D8;&#xC5D0;&#xC11C; &#xAE30;&#xB85D; &#xB41C; &#xC2E4;&#xC81C; &#xB370;&#xC774;&#xD130;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8;&#xC744; &#xBCF4;&#xC5EC; &#xC90D;&#xB2C8;&#xB2E4;. &#xB9AC;&#xD50C; &#xC9C4;&#xB3D9; (100-250 Hz) &#xC950;&#xC758; &#xD574; &#xB9C8;&#xC5D0;&#xC11C; &#xAE30;&#xB85D;&#xC758; &#xBD84;&#xC11D;, &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xC18C;&#xC124; &#xBC18;&#xBCF5;, &#xC9E7;&#xC740; &#xB0A0;&#xC9DC; &#xD45C;&#xC2DC;&#xC904; &#xC8FC;&#xD30C;&#xC218; &#xC5ED;&#xD559;&#xC744; &#xC2DD;&#xBCC4; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xC758; &#xACB0;&#xACFC; iFreq &#xBC0F; FM &#xC791;&#xC740; &#xB0A0;&#xC9DC; &#xD45C;&#xC2DC;&#xC904; LFP &#xC5ED;&#xD559;&#xC758; &#xC815;&#xB7C9;&#xD654;&#xC5D0; &#xB300; &#xD55C; &#xC720;&#xC6A9;&#xD55C; &#xC870;&#xCE58; &#xB420; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xAC83;&#xC774; &#xC88B;&#xC2B5;&#xB2C8;&#xB2E4;.

&#xBD80;&#xB4DC;&#xB7EC;&#xC6B4; &#xCE7C;&#xB9CC; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xB85C;&#xCEEC; &#xD544;&#xB4DC; &#xC7A0;&#xC7AC;&#xC801;&#xC778; &#xC9C4;&#xB3D9;&#xC758; &#xC989;&#xAC01;&#xC801;&#xC778; &#xC8FC;&#xD30C;&#xC218; &#xCE21;&#xC815;.

R&#xED;tmica potenciales de campo locales LFPs) surgen de la actividad neuronal coordinada. Inferencia de la funci&#xF3;n neuronal basado en las propiedades de los ritmos cerebrales sigue siendo un problema dif&#xED;cil de datos de an&#xE1;lisis. Algoritmos que caracterizan no estacionarias ritmos con alta resoluci&#xF3;n temporal y espectral puede ser &#xFA;til para interpretar la actividad LFP sobre las escalas de tiempo en el que se generan. Se propone un modelo basado en el m&#xE1;s suave de Kalman din&#xE1;mico autorregresivo para el seguimiento de la frecuencia instant&#xE1;nea (ifreq) y frecuencia modulada (FM) de sinusoides ruidosos y no estacionarias, como las que se encuentran en los datos de LFP. Nosotros verificamos el desempe&#xF1;o de nuestro algoritmo con datos simulados con el contenido espectral amplia, y demostrar su aplicaci&#xF3;n a partir de datos reales registrados a partir de experimentos de aprendizaje del comportamiento. En el an&#xE1;lisis de las oscilaciones de fluctuaci&#xF3;n (100-250Hz) registrados desde el hipocampo de roedores, nuestro algoritmo identific&#xF3; nuevos repetidores de frecuencia din&#xE1;mica, corta escala de tiempo. Nuestros resultados sugieren que ifreq y FM pueden ser medidas &#xFA;tiles para la cuantificaci&#xF3;n de la peque&#xF1;a escala de tiempo la din&#xE1;mica de la LFP.

Medici&#xF3;n de la frecuencia instant&#xE1;nea de los locales de oscilaciones del campo potencial utilizando la m&#xE1;s suave de Kalman

&#x5728;&#x795E;&#x7ECF;&#x79D1;&#x5B66;&#x4E2D;&#x91CD;&#x8981;&#x7684;&#x4EBA;&#x662F;&#x8868;&#x5F81;&#x795E;&#x7ECF;&#x6263;&#x7403;&#x6D3B;&#x52A8;&#x4F5C;&#x4E3A;&#x51FD;&#x6570;&#x7684;&#x5185;&#x5728;&#x548C;&#x5916;&#x5728;&#x56E0;&#x7D20;&#x3002;&#x70B9;&#x8FC7;&#x7A0B;&#x6A21;&#x578B;&#x662F;&#x6709;&#x4EF7;&#x503C;&#x7684;&#x6355;&#x83B7;&#x6B64;&#x7C7B;&#x4FE1;&#x606F; &#xFF1B;&#x7136;&#x800C;&#xFF0C;&#x5145;&#x5206;&#x5E94;&#x7528;&#x8FD9;&#x4E9B;&#x6A21;&#x578B;&#x7684;&#x8FC7;&#x7A0B;&#x5E76;&#x4E0D;&#x603B;&#x662F;&#x663E;&#x800C;&#x6613;&#x89C1;&#x3002;&#x4E00;&#x4E2A;&#x5B8C;&#x6574;&#x6A21;&#x578B;&#x7684;&#x5E94;&#x7528;&#x6709;&#x56DB;&#x4E2A;&#x4E3B;&#x8981;&#x6B65;&#x9AA4;&#xFF1A; &#x89C4;&#x8303;&#x6A21;&#x578B;&#xFF0C;&#x7531;&#x4E8E;&#x6A21;&#x578B;&#x53C2;&#x6570;&#x4F30;&#x8BA1;&#x7684;&#x89C2;&#x6D4B;&#x8D44;&#x6599;&#xFF0C;&#x6838;&#x67E5;&#x4F7F;&#x7528;&#x7684;&#x62DF;&#x5408;&#x4F18;&#x5EA6;&#x548C;&#x8868;&#x5F81;&#x4F7F;&#x7528;&#x4FE1;&#x4EFB;&#x8FB9;&#x754C;&#x7684;&#x6A21;&#x578B;&#x7684;&#x6A21;&#x578B;&#x3002;&#x8FD9;&#x4E9B;&#x6B65;&#x9AA4;&#xFF0C;&#x53EA;&#x6709;&#x524D;&#x4E09;&#x4E2A;&#x5DF2;&#x88AB;&#x5E7F;&#x6CDB;&#x5E94;&#x7528;&#x5728;&#x6587;&#x732E;&#x4E2D;&#xFF0C;&#x8FD9;&#x8868;&#x660E;&#x9700;&#x8981;&#x4E13;&#x8BBE;&#x8BA8;&#x8BBA;&#x5230;&#x5982;&#x4F55;&#x7684;&#x65F6;&#x95F4;&#x5C06;&#x91CD;&#x65B0;&#x7F29;&#x653E;&#x7684;&#x5B9A;&#x7406;&#xFF0C;&#x7ED3;&#x5408;&#x53C2;&#x6570;&#x5316;&#x5F15;&#x5BFC;&#x91C7;&#x6837;&#xFF0C;&#x53EF;&#x666E;&#x904D;&#x7528;&#x4E8E;&#x8BA1;&#x7B97;&#x4FE1;&#x4EFB;&#x8FB9;&#x754C;&#x70B9;&#x8FC7;&#x7A0B;&#x6A21;&#x578B;&#x3002;&#x5728;&#x7B2C;&#x4E00;&#x4E2A;&#x793A;&#x4F8B;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x4F7F;&#x7528;&#x98D9;&#x6DA8;&#x503E;&#x5411;&#x7684;&#x5E7F;&#x4E49;&#x7EBF;&#x6027;&#x6A21;&#x578B;&#xFF0C;&#x8BC1;&#x660E;&#x4FE1;&#x4EFB;&#x8FB9;&#x754C;&#x5F15;&#x5BFC;&#x6A21;&#x62DF;&#x4ECE;&#x6D3E;&#x751F;&#xFF0C;&#x4E0E;&#x90A3;&#x4E9B;&#x4ECE;&#x95ED;&#x5F0F;&#x89E3;&#x6790;&#x89E3;&#x8BA1;&#x7B97;&#x76F8;&#x4E00;&#x81F4;&#x3002;&#x5728;&#x6211;&#x4EEC;&#x7B2C;&#x4E8C;&#x4E2A;&#x793A;&#x4F8B;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x8BA4;&#x4E3A;&#x53EF;&#x4EE5;&#x4E3A;&#x5176;&#x6D3E;&#x751F;&#x6CA1;&#x6709;&#x5206;&#x6790;&#x4FE1;&#x4EFB;&#x8FB9;&#x754C;&#x7684;&#x6D77;&#x9A6C;&#x4F4D;&#x7F6E;&#x5B57;&#x6BB5;&#x53EF;&#x5851;&#x6027;&#x7684;&#x81EA;&#x9002;&#x5E94;&#x70B9;&#x8FC7;&#x7A0B;&#x6A21;&#x578B;&#x3002;&#x6211;&#x4EEC;&#x5982;&#x4F55;&#x6A21;&#x62DF;&#x5F15;&#x5BFC;&#x6837;&#x54C1;&#x4ECE;&#x81EA;&#x9002;&#x5E94;&#x70B9;&#x8FC7;&#x7A0B;&#x6A21;&#x578B;&#x3001; &#x5982;&#x4F55;&#x4F7F;&#x7528;&#x8FD9;&#x4E9B;&#x793A;&#x4F8B;&#x751F;&#x6210;&#x8FB9;&#x754C;&#x7684;&#x4FE1;&#x5FC3;&#xFF0C;&#x4EE5;&#x53CA;&#x5982;&#x4F55;&#x7EDF;&#x8BA1;&#x68C0;&#x9A8C;&#x5047;&#x8BBE;&#x8BE5;&#x795E;&#x7ECF;&#x7684;&#x7533;&#x8FF0;&#x5728;&#x5C55;&#x793A;&#x4E24;&#x4E2A;&#x65F6;&#x95F4;&#x70B9;&#x90FD;&#x660E;&#x663E;&#x4E0D;&#x540C;&#x3002;&#x8FD9;&#x4E9B;&#x4F8B;&#x5B50;&#x6709;&#x88AB;&#x8BBE;&#x8BA1;&#x4E3A;&#x6709;&#x7528;&#x7684;&#x6307;&#x5357;&#xFF0C;&#x7528;&#x4E8E;&#x6267;&#x884C;&#x57FA;&#x4E8E;&#x70B9;&#x7684;&#x6D41;&#x7A0B;&#x6A21;&#x578B;&#x7684;&#x79D1;&#x5B66;&#x63A8;&#x7406;&#x3002;

&#x8BA1;&#x7B97;&#x70B9;&#x7684;&#x6D41;&#x7A0B;&#x6A21;&#x578B;&#x7684;&#x7F6E;&#x4FE1;&#x533A;&#x95F4;&#x3002;

Characterizing neural spiking activity as a function of intrinsic and extrinsic factors is important in neuroscience. Point process models are valuable for capturing such information; however, the process of fully applying these models is not always obvious. A complete model application has four broad steps: specification of the model, estimation of model parameters given observed data, verification of the model using goodness of fit, and characterization of the model using confidence bounds. Of these steps, only the first three have been applied widely in the literature, suggesting the need to dedicate a discussion to how the time-rescaling theorem, in combination with parametric bootstrap sampling, can be generally used to compute confidence bounds of point process models. In our first example, we use a generalized linear model of spiking propensity to demonstrate that confidence bounds derived from bootstrap simulations are consistent with those computed from closed-form analytic solutions. In our second example, we consider an adaptive point process model of hippocampal place field plasticity for which no analytical confidence bounds can be derived. We demonstrate how to simulate bootstrap samples from adaptive point process models, how to use these samples to generate confidence bounds, and how to statistically test the hypothesis that neural representations at two time points are significantly different. These examples have been designed as useful guides for performing scientific inference based on point process models.

Computing confidence intervals for point process models.

Caract&#xE9;riser l&#x26;#39;activit&#xE9; neuronale de dopage en fonction de facteurs intrins&#xE8;ques et extrins&#xE8;ques est important en neurosciences. Mod&#xE8;les de processus de points sont pr&#xE9;cieux pour la capture de tels renseignements; toutefois, le processus de l&#x26;#39;application int&#xE9;grale de ces mod&#xE8;les n&#x26;#39;est pas toujours &#xE9;vident. Une demande de mod&#xE8;le complet comporte quatre grandes &#xE9;tapes: la sp&#xE9;cification du mod&#xE8;le, l&#x26;#39;estimation des param&#xE8;tres du mod&#xE8;le compte tenu des donn&#xE9;es observ&#xE9;es, la v&#xE9;rification du mod&#xE8;le en utilisant la bont&#xE9; de l&#x26;#39;ajustement et la caract&#xE9;risation du mod&#xE8;le en utilisant les limites de confiance. Parmi ces &#xE9;tapes, seules les trois premi&#xE8;res ont &#xE9;t&#xE9; largement appliqu&#xE9;es dans la litt&#xE9;rature, ce qui sugg&#xE8;re la n&#xE9;cessit&#xE9; de consacrer une discussion &#xE0; la fa&#xE7;on dont le th&#xE9;or&#xE8;me de temps mise &#xE0; l&#x26;#39;&#xE9;chelle, en combinaison avec d&#x26;#39;&#xE9;chantillonnage bootstrap param&#xE9;trique, peut g&#xE9;n&#xE9;ralement &#xEA;tre utilis&#xE9; pour calculer les limites de confiance de mod&#xE8;les de processus ponctuel . Dans notre premier exemple, nous utilisons un mod&#xE8;le lin&#xE9;aire g&#xE9;n&#xE9;ralis&#xE9; de dopage propension &#xE0; d&#xE9;montrer que les limites de confiance issus de simulations bootstrap sont compatibles avec celles calcul&#xE9;es &#xE0; partir de forme ferm&#xE9;e solutions analytiques. Dans notre deuxi&#xE8;me exemple, nous consid&#xE9;rons un mod&#xE8;le de point adaptative processus de plasticit&#xE9; hippocampique lieu champ pour lequel aucune limite de confiance analytiques peuvent &#xEA;tre d&#xE9;riv&#xE9;es. Nous d&#xE9;montrons comment simuler des &#xE9;chantillons bootstrap de mod&#xE8;les de processus adaptatifs de points, comment utiliser ces &#xE9;chantillons pour g&#xE9;n&#xE9;rer les limites de confiance, et comment tester statistiquement l&#x26;#39;hypoth&#xE8;se que les repr&#xE9;sentations neuronales &#xE0; deux points dans le temps sont significativement diff&#xE9;rentes. Ces exemples ont &#xE9;t&#xE9; con&#xE7;us comme des guides utiles pour r&#xE9;aliser une inf&#xE9;rence scientifique bas&#xE9;e sur des mod&#xE8;les de processus ponctuels.

Intervalles de confiance Informatique pour mod&#xE8;les de processus ponctuel

Charakterisierung von neuronalen Blindkontrollen Aktivit&auml;t als Funktion der intrinsischen und extrinsischen Faktoren ist wichtig in der Neurologie. Punkt Prozessmodelle sind wertvoll f&uuml;r die Erfassung dieser Informationen; Allerdings ist der Prozess der Anwendung vollst&auml;ndig diese Modelle nicht immer offensichtlich. Eine vollst&auml;ndiges Modell-Anwendung verf&uuml;gt &uuml;ber vier Grundschritten: Spezifikation des Modells, Sch&auml;tzung der Modellparameter gegeben beobachteten Daten, &Uuml;berpr&uuml;fung des Modells mit Anpassungsg&uuml;te und Charakterisierung des Modells mit Vertrauen Begrenzungen. Dieser Schritte sind nur die ersten drei weit angewendet worden, in der Literatur, der Bedarf, eine Diskussion, wie das Zeit-Skalierung-Theorem, in Kombination mit parametrischen bootstrap-Stichproben, im Allgemeinen verwendet werden kann, Vertrauen Begrenzungen des Punkt-Prozessmodelle zu berechnen zu widmen. In unserem ersten Beispiel verwenden wir ein generalisiertes lineares Modell der spiking Neigung um zu zeigen, dass Vertrauen Begrenzungen abgeleitet von bootstrap-Simulationen mit denen berechnet aus geschlossener Form analytischen L&ouml;sungen konsistent sind. In unserem zweiten Beispiel betrachten wir eine adaptive Punkt-Prozessmodell der hippocampal Ort Feld Plastizit&auml;t wof&uuml;r keine analytische Vertrauen Begrenzungen abgeleitet werden k&ouml;nnen. Wir zeigen wie bootstrap-Stichproben von adaptive Punkt Prozessmodelle simuliert, wie in diesen Beispielen verwendet um Vertrauen Begrenzungen zu generieren und wie Sie statistisch die Hypothese zu testen, dass neuronale Vertretungen Zeitpunkt zwei Punkten signifikant unterscheiden. Diese Beispiele wurden als n&uuml;tzliche Leitf&auml;den zur Durchf&uuml;hrung von wissenschaftlichen Inferenz basierend auf Punkt Prozessmodelle entwickelt.

Datenverarbeitung Konfidenzintervalle f&uuml;r Punkt-Prozessmodelle.

Che caratterizzano l&#39;attivit&agrave; neurale spiking in funzione del intrinseco e fattori estrinseci &egrave; importante in neuroscienze. Punto modelli di processo sono preziosi per l&#39;acquisizione di tali informazioni; Tuttavia, il processo di applicazione completamente questi modelli non &egrave; sempre evidente. Una modello completo di applicazione ha quattro ampi passaggi: specificazione del modello di stima dei parametri del modello dato osservato dati, verifica del modello utilizzando la bont&agrave; di adattamento e la caratterizzazione del modello utilizzando i limiti di confidenza. Di questi passaggi, solo i primi tre sono stati applicati ampiamente nella letteratura, suggerendo la necessit&agrave; di dedicare una discussione a come il tempo rescaling teorema, in combinazione con campionamento bootstrap parametrico, pu&ograve; essere generalmente usato per calcolare i limiti di confidenza di modelli dei processi di punto. Nel nostro primo esempio, utilizziamo un modello lineare generalizzato di chiodare la propensione a dimostrare che limiti fiducia derivati da simulazioni bootstrap sono coerenti con quelli calcolati da soluzioni analitiche di forma chiusa. Nel nostro secondo esempio, consideriamo un modello di processo adattivo punto di plasticit&agrave; campo hippocampal luogo per il quale non ha limiti analitici fiducia possono essere derivati. Dimostriamo come simulare campioni bootstrap da modelli di processo adattivo punto, come utilizzare questi campioni per generare i limiti di confidenza e come testare statisticamente l&#39;ipotesi che rappresentazioni neurali a tempo due punti sono significativamente differenti. Questi esempi sono stati progettati come utili guide per l&#39;esecuzione di inferenza scientifica basata sul punto di modelli di processo.

Calcolo di intervalli di confidenza per i modelli di processo di punto.

&#x5185;&#x56E0;&#x6027;&#x304A;&#x3088;&#x3073;&#x5916;&#x56E0;&#x6027;&#x306E;&#x8981;&#x56E0;&#x306E;&#x95A2;&#x6570;&#x3068;&#x3057;&#x3066;&#x795E;&#x7D4C;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x6D3B;&#x52D5;&#x3092;&#x7279;&#x5FB4;&#x4ED8;&#x3051;&#x308B;&#x3053;&#x3068;&#x306F;&#x795E;&#x7D4C;&#x79D1;&#x5B66;&#x306B;&#x304A;&#x3044;&#x3066;&#x91CD;&#x8981;&#x3067;&#x3042;&#x308B;&#x3002;&#x70B9;&#x904E;&#x7A0B;&#x30E2;&#x30C7;&#x30EB;&#x306F;&#x3001;&#x305D;&#x306E;&#x3088;&#x3046;&#x306A;&#x60C5;&#x5831;&#x3092;&#x53D6;&#x5F97;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x8CB4;&#x91CD;&#x306A;&#x3082;&#x306E;&#x3067;&#x3059;&#x304C;&#x3001;&#x5B8C;&#x5168;&#x306B;&#x3053;&#x308C;&#x3089;&#x306E;&#x30E2;&#x30C7;&#x30EB;&#x3092;&#x9069;&#x7528;&#x3059;&#x308B;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x306F;&#x3001;&#x5E38;&#x306B;&#x660E;&#x767D;&#x3067;&#x306F;&#x3042;&#x308A;&#x307E;&#x305B;&#x3093;&#x3002;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x4ED5;&#x69D8;&#x3001;&#x89B3;&#x6E2C;&#x30C7;&#x30FC;&#x30BF;&#x3001;&#x9069;&#x5408;&#x5EA6;&#x3092;&#x7528;&#x3044;&#x3066;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x691C;&#x8A3C;&#x3001;&#x4FE1;&#x983C;&#x5883;&#x754C;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x7279;&#x5FB4;&#x4ED8;&#x3051;&#x3092;&#x4E0E;&#x3048;&#x3089;&#x308C;&#x305F;&#x30E2;&#x30C7;&#x30EB;&#x30D1;&#x30E9;&#x30E1;&#x30FC;&#x30BF;&#x306E;&#x63A8;&#x5B9A;&#xFF1A;&#x5B8C;&#x5168;&#x306A;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x30A2;&#x30D7;&#x30EA;&#x30B1;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3067;&#x306F;&#x3001;4&#x3064;&#x306E;&#x5927;&#x304D;&#x306A;&#x30B9;&#x30C6;&#x30C3;&#x30D7;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x624B;&#x9806;&#x306E;&#x3046;&#x3061;&#x3001;&#x6700;&#x521D;&#x306E;3&#x3064;&#x306E;&#x307F;&#x304C;&#x6587;&#x732E;&#x306B;&#x5E83;&#x304F;&#x9069;&#x7528;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x3001;&#x30D1;&#x30E9;&#x30E1;&#x30C8;&#x30EA;&#x30C3;&#x30AF;&#x30D6;&#x30FC;&#x30C8;&#x30B9;&#x30C8;&#x30E9;&#x30C3;&#x30D7;&#x30B5;&#x30F3;&#x30D7;&#x30EA;&#x30F3;&#x30B0;&#x3068;&#x306E;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x3067;&#x3001;&#x3069;&#x306E;&#x3088;&#x3046;&#x306B;&#x6642;&#x9593;&#x30B9;&#x30B1;&#x30FC;&#x30EA;&#x30F3;&#x30B0;&#x5B9A;&#x7406;&#x306E;&#x8B70;&#x8AD6;&#x3092;&#x5C02;&#x7528;&#x306B;&#x3059;&#x308B;&#x5FC5;&#x8981;&#x304C;&#x793A;&#x5506;&#x3055;&#x308C;&#x3001;&#x4E00;&#x822C;&#x7684;&#x306B;&#x30DD;&#x30A4;&#x30F3;&#x30C8;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x4FE1;&#x983C;&#x9650;&#x754C;&#x3092;&#x8A08;&#x7B97;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x3002;&#x79C1;&#x305F;&#x3061;&#x306E;&#x6700;&#x521D;&#x306E;&#x4F8B;&#x3067;&#x306F;&#x3001;&#x6211;&#x3005;&#x306F;&#x3001;&#x30D6;&#x30FC;&#x30C8;&#x30B9;&#x30C8;&#x30E9;&#x30C3;&#x30D7;&#xB7;&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x304B;&#x3089;&#x6D3E;&#x751F;&#x3057;&#x305F;&#x5883;&#x754C;&#x304C;&#x9589;&#x3058;&#x305F;&#x5F62;&#x306E;&#x5206;&#x6790;&#x30BD;&#x30EA;&#x30E5;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x304B;&#x3089;&#x8A08;&#x7B97;&#x3055;&#x308C;&#x305F;&#x3082;&#x306E;&#x3068;&#x4E00;&#x81F4;&#x3057;&#x3066;&#x3044;&#x308B;&#x305D;&#x306E;&#x4FE1;&#x983C;&#x6027;&#x3092;&#x5B9F;&#x8A3C;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x50BE;&#x5411;&#x3092;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x306E;&#x4E00;&#x822C;&#x5316;&#x7DDA;&#x5F62;&#x30E2;&#x30C7;&#x30EB;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002; 2&#x756A;&#x76EE;&#x306E;&#x4F8B;&#x3067;&#x306F;&#x3001;&#x6211;&#x3005;&#x306F;&#x3001;&#x5206;&#x6790;&#x306E;&#x4FE1;&#x983C;&#x5883;&#x754C;&#x304C;&#x5C0E;&#x51FA;&#x3067;&#x304D;&#x306A;&#x3044;&#x3068;&#x306A;&#x308B;&#x6D77;&#x99AC;&#x306E;&#x5834;&#x6240;&#x30D5;&#x30A3;&#x30FC;&#x30EB;&#x30C9;&#x306E;&#x53EF;&#x5851;&#x6027;&#x306E;&#x9069;&#x5FDC;&#x70B9;&#x904E;&#x7A0B;&#x30E2;&#x30C7;&#x30EB;&#x3092;&#x8003;&#x616E;&#x3057;&#x3066;&#x304F;&#x3060;&#x3055;&#x3044;&#x3002;&#x79C1;&#x305F;&#x3061;&#x306F;&#x3001;&#x4FE1;&#x983C;&#x5883;&#x754C;&#x3092;&#x751F;&#x6210;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x3053;&#x308C;&#x3089;&#x306E;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x3092;&#x4F7F;&#x7528;&#x3059;&#x308B;&#x65B9;&#x6CD5;&#x3001;&#x9069;&#x5FDC;&#x70B9;&#x904E;&#x7A0B;&#x30E2;&#x30C7;&#x30EB;&#x304B;&#x3089;&#x30D6;&#x30FC;&#x30C8;&#x30B9;&#x30C8;&#x30E9;&#x30C3;&#x30D7;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x3092;&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30C8;&#x3059;&#x308B;&#x65B9;&#x6CD5;&#x3092;&#x793A;&#x3057;&#x3001;&#x3069;&#x306E;&#x3088;&#x3046;&#x306B;&#x7D71;&#x8A08;&#x7684;&#x306B;2&#x306E;&#x6642;&#x70B9;&#x3067;&#x795E;&#x7D4C;&#x306E;&#x8868;&#x73FE;&#x304C;&#x5927;&#x304D;&#x304F;&#x7570;&#x306A;&#x308B;&#x3068;&#x3044;&#x3046;&#x4EEE;&#x8AAC;&#x3092;&#x30C6;&#x30B9;&#x30C8;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x4F8B;&#x306F;&#x3001;&#x70B9;&#x904E;&#x7A0B;&#x30E2;&#x30C7;&#x30EB;&#x306B;&#x57FA;&#x3065;&#x304F;&#x79D1;&#x5B66;&#x7684;&#x306A;&#x63A8;&#x8AD6;&#x3092;&#x884C;&#x3046;&#x305F;&#x3081;&#x306E;&#x6709;&#x7528;&#x306A;&#x30AC;&#x30A4;&#x30C9;&#x3068;&#x3057;&#x3066;&#x8A2D;&#x8A08;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x70B9;&#x904E;&#x7A0B;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x30B3;&#x30F3;&#x30D4;&#x30E5;&#x30FC;&#x30C6;&#x30A3;&#x30F3;&#x30B0;&#x306E;&#x4FE1;&#x983C;&#x533A;&#x9593;

&#xB0B4;&#xC7A5;&#xC758; &#xAE30;&#xB2A5;&#xC73C;&#xB85C; &#xC2E0;&#xACBD; &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xD65C;&#xB3D9;&#xACFC; extrinsic &#xC694;&#xC18C; &#xD2B9;&#xC131;&#xD654; &#xC2E0;&#xACBD; &#xACFC;&#xD559;&#xC5D0;&#xC11C; &#xC911;&#xC694; &#xD558;&#xB2E4;. &#xD3EC;&#xC778;&#xD2B8; &#xD504;&#xB85C;&#xC138;&#xC2A4; &#xBAA8;&#xB378;&#xC740; &#xC774;&#xB7EC;&#xD55C; &#xC815;&#xBCF4;&#xB97C; &#xCEA1;&#xCC98;&#xD558;&#xB294; &#xC911;&#xC694; &#xD55C; &#xADF8;&#xB7EC;&#xB098;, &#xC644;&#xBCBD; &#xD558; &#xAC8C;&#xC774; &#xBAA8;&#xB378;&#xC744; &#xC801;&#xC6A9; &#xD558;&#xB294; &#xACFC;&#xC815;&#xC740; &#xD56D;&#xC0C1; &#xBD84;&#xBA85; &#xD558;&#xC9C0;. &#xC644;&#xC804; &#xD55C; &#xBAA8;&#xB378; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8;&#xC5D0;&#xB294; 4 &#xB2E8;&#xACC4;: &#xC8FC;&#xC5B4;&#xC9C4; &#xBAA8;&#xB378; &#xB9E4;&#xAC1C; &#xBCC0;&#xC218; &#xCD94;&#xC815; &#xBAA8;&#xB378;&#xC758; &#xC0AC;&#xC591; &#xC801;&#xD569;&#xC758; &#xC120; &#xD558; &#xC2EC;&#xACFC; &#xC2E0;&#xB8B0; &#xBC94;&#xC704;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xBAA8;&#xB378;&#xC758; &#xD2B9;&#xC131;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xBAA8;&#xB378;&#xC758; &#xAC80;&#xC99D; &#xB370;&#xC774;&#xD130; &#xAD00;&#xCC30;. &#xC774;&#xB7EC;&#xD55C; &#xB2E8;&#xACC4; &#xC911; &#xCC98;&#xC74C; &#xC138; &#xC2DC;&#xAC04; &#xC2A4;&#xCF00;&#xC77C;&#xB9C1; &#xC815;&#xB9AC; &#xD328;&#xB77C;&#xBA54;&#xD2B8;&#xB9AD; &#xBD80;&#xD2B8;&#xC2A4;&#xD2B8;&#xB7A9; &#xC0D8;&#xD50C;&#xB9C1;&#xC640; &#xD568;&#xAED8;&#xC5D0;&#xC11C; &#xC0AC;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xB294; &#xBC29;&#xBC95;&#xC744; &#xC77C;&#xBC18;&#xC801;&#xC73C;&#xB85C; &#xD3EC;&#xC778;&#xD2B8; &#xD504;&#xB85C;&#xC138;&#xC2A4; &#xBAA8;&#xB378;&#xC758; &#xC2E0;&#xB8B0; &#xBC94;&#xC704;&#xB97C; &#xACC4;&#xC0B0; &#xD558; &#xAC8C; &#xD1A0;&#xB860;&#xC744; &#xBC14;&#xCE60; &#xD544;&#xC694;&#xAC00; &#xC81C;&#xC548; &#xD558;&#xB294; &#xBB38;&#xD559;&#xC5D0; &#xB110;&#xB9AC; &#xC801;&#xC6A9; &#xB41C; &#xC788;&#xB2E4;. &#xC6B0;&#xB9AC;&#xC758; &#xCCAB; &#xBC88;&#xC9F8; &#xC608;&#xC81C;&#xC5D0;&#xC11C;&#xB294; &#xBD80;&#xD2B8;&#xC2A4;&#xD2B8;&#xB7A9; &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158;&#xC5D0;&#xC11C; &#xD30C;&#xC0DD; &#xB41C; &#xC2E0;&#xB8B0; &#xACBD;&#xACC4;&#xB294; &#xB2EB;&#xD78C; &#xD615;&#xC2DD;&#xC758; &#xBD84;&#xC11D; &#xC194;&#xB8E8;&#xC158;&#xC5D0;&#xC11C; &#xACC4;&#xC0B0;&#xC640; &#xC77C;&#xCE58;&#xB97C; &#xC785;&#xC99D; &#xD558; &#xC131;&#xD5A5; &#xC694;&#xB3D9;&#xC758; &#xC77C;&#xBC18;&#xD654; &#xC120;&#xD615; &#xBAA8;&#xB378;&#xC744; &#xC0AC;&#xC6A9; &#xD569;&#xB2C8;&#xB2E4;. &#xB450; &#xBC88;&#xC9F8; &#xC608;&#xC81C;&#xC5D0;&#xC11C;&#xB294; &#xC6B0;&#xB9AC;&#xB294; &#xBD84;&#xC11D; &#xC790;&#xC2E0;&#xAC10; &#xB05D; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xD30C;&#xC0DD; &#xB420; hippocampal &#xC7A5;&#xC18C; &#xD544;&#xB4DC; &#xC18C;&#xC131;&#xC758; &#xC801;&#xC751;&#xD615; &#xD3EC;&#xC778;&#xD2B8; &#xD504;&#xB85C;&#xC138;&#xC2A4; &#xBAA8;&#xB378;&#xC744; &#xACE0;&#xB824; &#xD558;&#xC2ED;&#xC2DC;&#xC624;. &#xC6B0;&#xB9AC; &#xBCF4;&#xC5EC; &#xC801;&#xC751;&#xD615; &#xD3EC;&#xC778;&#xD2B8; &#xD504;&#xB85C;&#xC138;&#xC2A4; &#xBAA8;&#xB378;&#xC5D0;&#xC11C; &#xBD80;&#xD2B8;&#xC2A4;&#xD2B8;&#xB7A9; &#xC0D8;&#xD50C;&#xC744; &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158; &#xD558;&#xB294; &#xBC29;&#xBC95;&#xC744;, &#xC2E0;&#xB8B0; &#xACBD;&#xACC4;&#xB97C; &#xC0DD;&#xC131; &#xD558;&#xAE30; &#xC704;&#xD574; &#xC774;&#xB7EC;&#xD55C; &#xC608;&#xC81C;&#xB97C; &#xC0AC;&#xC6A9; &#xD558;&#xB294; &#xBC29;&#xBC95; &#xBC0F; &#xD1B5;&#xACC4;&#xC801; &#xAC00;&#xC124;&#xC744; &#xD14C;&#xC2A4;&#xD2B8; &#xD558;&#xB294; &#xBC29;&#xBC95;&#xC744; &#xADF8; &#xC2E0;&#xACBD; &#xD45C;&#xD604; &#xD3EC;&#xC778;&#xD2B8;&#xB294; &#xD06C;&#xAC8C; &#xB2E4;&#xB978; &#xB450; &#xC2DC;&#xAC04;&#xC5D0;. &#xC774;&#xB7EC;&#xD55C; &#xC608;&#xC81C; &#xD3EC;&#xC778;&#xD2B8; &#xD504;&#xB85C;&#xC138;&#xC2A4; &#xBAA8;&#xB378;&#xC744; &#xAE30;&#xBC18;&#xC73C;&#xB85C; &#xD558;&#xB294; &#xACFC;&#xD559;&#xC801; &#xCD94;&#xB860;&#xC744; &#xC218;&#xD589; &#xD558;&#xAE30; &#xC704;&#xD55C; &#xC720;&#xC6A9;&#xD55C; &#xC9C0;&#xCE68;&#xC73C;&#xB85C; &#xC124;&#xACC4; &#xB418;&#xC5C8;&#xC2B5;&#xB2C8;&#xB2E4;.

&#xD3EC;&#xC778;&#xD2B8; &#xD504;&#xB85C;&#xC138;&#xC2A4; &#xBAA8;&#xB378;&#xC5D0; &#xB300; &#xD55C; &#xC790;&#xC2E0;&#xAC10;&#xC744; &#xAC04;&#xACA9;&#xC744; &#xACC4;&#xC0B0; &#xD569;&#xB2C8;&#xB2E4;.

Caracterizaci&#xF3;n de la actividad de un r&#xE1;pido aumento de los nervios en funci&#xF3;n de factores intr&#xED;nsecos y extr&#xED;nsecos es importante para la neurociencia. Modelos de puntos de proceso son valiosos para la captura de dicha informaci&#xF3;n, sin embargo, el proceso de la plena aplicaci&#xF3;n de estos modelos no siempre es evidente. La solicitud de modelo completo consta de cuatro pasos generales: las especificaciones del modelo, la estimaci&#xF3;n de los par&#xE1;metros del modelo dados los datos observados, la verificaci&#xF3;n del modelo de uso de la bondad del ajuste y la caracterizaci&#xF3;n del modelo con l&#xED;mites de confianza. De estos pasos, s&#xF3;lo los tres primeros se han aplicado ampliamente en la literatura, lo que sugiere la necesidad de dedicar una discusi&#xF3;n de c&#xF3;mo el teorema de cambio de escala de tiempo, en combinaci&#xF3;n con el muestreo de par&#xE1;metros de arranque, en general se puede utilizar para calcular los l&#xED;mites de confianza de los modelos de procesos de punto . En nuestro primer ejemplo, se utiliza un modelo lineal generalizado de la adici&#xF3;n propensi&#xF3;n a demostrar que los l&#xED;mites de confianza derivados de simulaciones bootstrap son consistentes con las calculadas a partir de soluciones anal&#xED;ticas de forma cerrada. En nuestro segundo ejemplo, se considera un modelo de punto de proceso adaptativo de la plasticidad del hipocampo campo de lugar para el que no tiene l&#xED;mites de confianza de an&#xE1;lisis se pueden derivar. Demostramos c&#xF3;mo simular muestras de arranque de los modelos de adaptaci&#xF3;n del punto del proceso, la forma de utilizar estos ejemplos para generar l&#xED;mites de confianza, y la forma de probar estad&#xED;sticamente la hip&#xF3;tesis de que las representaciones neurales a dos puntos del tiempo son muy diferentes. Estos ejemplos han sido dise&#xF1;ados como gu&#xED;as &#xFA;tiles para la realizaci&#xF3;n de la inferencia cient&#xED;fica basada en modelos de procesos puntuales.

Intervalos de confianza para la Inform&#xE1;tica Modelos de procesos de punto

&#x6458;&#x8981;&#xFF1A; &#x6211;&#x4EEC;&#x5B58;&#x5728;&#x4E00;&#x4E2A;&#x75C5;&#x4EBA;&#x5C1D;&#x8BD5;&#x6267;&#x884C;&#x7C7B;&#x578B;&#x7684;&#x8F66;&#x8EAB;&#x4FEE;&#x6539;&#x88AB;&#x79F0;&#x4E3A;&quot;&#x73CD;&#x73E0;&quot;&#x6216;&quot;&#x751F;&#x6B96;&#x5668;&#x8F67;&quot;&#x540C;&#x65F6;&#x5728;&#x72F1;&#x4E2D;&#x7684;&#x4EBA;&#x7684;&#x60C5;&#x51B5;&#x3002;&#x4E0D;&#x5E78;&#x7684;&#x662F;&#xFF0C;&#x8FD9;&#x4E2A;&#x75C5;&#x4EBA;&#x9020;&#x6210;&#x4E25;&#x91CD;&#x7684;&#x521B;&#x4F24;&#xFF0C;&#x4ED6;&#x7684;&#x9634;&#x830E;&#xFF0C;&#x9700;&#x8981;&#x5916;&#x79D1;&#x624B;&#x672F;&#x3002;&#x63D0;&#x51FA;&#x8FD9;&#x4E9B;&#x5916;&#x4F24;&#x7684;&#x7167;&#x7247;&#x3002;

&#x89C6;&#x89C9;&#x8BCA;&#x65AD;&#xFF1A; &#x73CD;&#x73E0;&#xFF1A; &#x6848;&#x4F8B;&#x7814;&#x7A76;&#x3002;

ABSTRACT: We present the case of a patient who attempted to perform a type of body modification known as "pearling" or "genital beading" while in prison. This patient unfortunately caused severe trauma to his penis, requiring surgical intervention. Photographs of the traumatic injuries are presented.

Visual Diagnosis: Pearling: a case study.

R&eacute;sum&eacute; : Nous pr&eacute;sentons le cas d&#39;un patient qui a tent&eacute; d&#39;ex&eacute;cuter un type de modification corporelle, connu comme la &laquo; perle &raquo; ou &laquo; g&eacute;nitales perlant &raquo;, tout en prison. Ce patient a malheureusement caus&eacute; un traumatisme grave &agrave; son p&eacute;nis, n&eacute;cessitant une intervention chirurgicale. Photographies des blessures traumatiques sont pr&eacute;sent&eacute;es.

Diagnostic visuel : Pearling : une &eacute;tude de cas.

Zusammenfassung: Wir pr&auml;sentieren den Fall eines Patienten, der versucht hat, eine Art der K&ouml;rpermodifikation bekannt als &quot;historisch&quot; oder &quot;Genital beading&quot; w&auml;hrend im Gef&auml;ngnis durchzuf&uuml;hren. Dieser Patient verursacht leider schweren Traumata an seinem Penis, dass chirurgische Eingriffe erforderlich. Fotos von der traumatischen Verletzungen werden vorgestellt.

Visuelle Diagnose: Abfischung: eine Fallstudie.

ABSTRACT: Presentiamo il caso di un paziente che ha tentato di eseguire un tipo di modificazione del corpo conosciuta come &quot;pearling&quot; o &quot;genitale bordatura&quot; mentre in prigione. Questo paziente ha purtroppo causato gravi traumi al suo pene, che richiedono interventi chirurgici. Fotografie delle lesioni traumatiche sono presentati.

Diagnosi visiva: Pearling: un caso di studio.

&#x8981;&#x7D04;&#xFF1A;&#x300C;&#x771F;&#x73E0;&#x300D;&#x3001;&#x307E;&#x305F;&#x306F;&#x300C;&#x6027;&#x5668;&#x306A;&#x304C;&#x3089;&#x5211;&#x52D9;&#x6240;&#x3067;&#x30D3;&#x30FC;&#x30BA;&#x300D;&#x3068;&#x3057;&#x3066;&#x77E5;&#x3089;&#x308C;&#x3066;&#x3044;&#x308B;&#x8EAB;&#x4F53;&#x6539;&#x9020;&#x306E;&#x30BF;&#x30A4;&#x30D7;&#x3092;&#x5B9F;&#x884C;&#x3057;&#x3088;&#x3046;&#x3068;&#x3059;&#x308B;&#x3068;&#x3001;&#x60A3;&#x8005;&#x306E;&#x30B1;&#x30FC;&#x30B9;&#x3092;&#x63D0;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E;&#x60A3;&#x8005;&#x306F;&#x6B8B;&#x5FF5;&#x306A;&#x304C;&#x3089;&#x3001;&#x5F7C;&#x306E;&#x9670;&#x830E;&#x306B;&#x91CD;&#x5EA6;&#x306E;&#x5916;&#x50B7;&#x5916;&#x79D1;&#x7684;&#x4ECB;&#x5165;&#x3092;&#x5FC5;&#x8981;&#x3068;&#x3059;&#x308B;&#x539F;&#x56E0;&#x3002;&#x5916;&#x50B7;&#x6027;&#x50B7;&#x5BB3;&#x306E;&#x5199;&#x771F;&#x304C;&#x63B2;&#x8F09;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x8996;&#x899A;&#x7684;&#x306A;&#x8A3A;&#x65AD;: &#x771F;&#x73E0;: &#x30B1;&#x30FC;&#x30B9;&#x30B9;&#x30BF;&#x30C7;&#x30A3;&#x3002;

&#xAC1C;&#xC694;: &#xC6B0;&#xB9AC; &#xBAB8; &#xC218;&#xC815; &quot;&#xC9C4;&#xC8FC;&quot; &#xB610;&#xB294; &quot;&#xC131; &#xAE30; &#xAD6C;&#xC2AC;&quot; &#xB3D9;&#xC548; &#xAC10;&#xC625;&#xC5D0;&#xC11C; &#xC54C;&#xB824;&#xC9C4; &#xC720;&#xD615;&#xC758; &#xC218;&#xD589; &#xD558; &#xB824; &#xD658;&#xC790;&#xC758; &#xACBD;&#xC6B0; &#xD604;&#xC7AC;. &#xC774; &#xD658;&#xC790;&#xB294; &#xBD88;&#xD589; &#xD558; &#xAC8C;&#xB3C4; &#xADF8;&#xC758; &#xC131; &#xAE30;&#xC5D0; &#xC2EC;&#xD55C; &#xC678;&#xC0C1; &#xC678;&#xACFC; &#xAC1C;&#xC785;&#xC744; &#xD544;&#xC694;&#xB85C; &#xBC1C;&#xC0DD; &#xD569;&#xB2C8;&#xB2E4;. &#xC678;&#xC0C1; &#xC131; &#xBD80;&#xC0C1;&#xC758; &#xC0AC;&#xC9C4; &#xC81C;&#xACF5; &#xB429;&#xB2C8;&#xB2E4;.

&#xC2DC;&#xAC01; &#xC9C4;&#xB2E8;: &#xC9C4;&#xC8FC;: &#xC0AC;&#xB840; &#xC5F0;&#xAD6C;.

Resumen: Presentamos el caso de un paciente que intent&oacute; realizar un tipo de modificaci&oacute;n del cuerpo conocido como &quot;alj&oacute;far&quot; o &quot;abalorios genital&quot; mientras que en la c&aacute;rcel. Este paciente lamentablemente caus&oacute; trauma severo en su pene, que requieren intervenci&oacute;n quir&uacute;rgica. Se presentan fotograf&iacute;as de las lesiones traum&aacute;ticas.

David P. Nguyen

Picower Institute for Learning and Memory,
Department of Brain and Cognitive Science

MIT - Massachusetts Institute of Technology

Micro-drive Array for Chronic in vivo Recording: Drive Fabrication

Micro-drive Array for Chronic in vivo Recording: Tetrode Assembly

David P. Nguyen

.css-o250i3{font-size:18px;font-family:Open Sans,sans-serif;line-height:21.6px;}Picower Institute for Learning and Memory,Department of Brain and Cognitive Science

MIT - Massachusetts Institute of Technology

Micro-drive Array for Chronic in vivo Recording: Drive Fabrication

Micro-drive Array for Chronic in vivo Recording: Tetrode Assembly

Picower Institute for Learning and Memory,
Department of Brain and Cognitive Science