LNP模型中的神经元滤波特征提取

目的 LNP(linear-nonlinear-Poisson)模型很好地解译了神经元的响应过程,其重要环节之一是线性滤波器的提取。针对传统i STAC(information-theoretic spike-triggered average and covariance)算法运用于LNP模型时的神经元特性表征不足、运动特征提取效果不佳等问题,特别是在处理低维度刺激问题时,提出了一种改进的i STAC神经元滤波特征提取算法。方法引入非触发刺激的统计量,从而更加准确地构建神经元滤波特征子空间的目标函数,同时增强系统的抗噪能力;采用变尺度法最大化目标函数,从而优化解空间,提升算法的收敛速率。结果不同非线性条件下对线性滤波器的恢复实验结果表明,新算法相较于传统i STAC算法在高维度刺激时保持较好的表征特性,在刺激维度小于6 500时有明显改善,且总体上优于STA(spike-triggered average)和STC(spike-triggered covariance)算法。结论提出的新算法适用范围更广,鲁棒性更强,能够运用于建立完整的基于视觉特性的视频运动特征提取模型。