使用切换线性动态系统推断多时间尺度神经动力学

arXiv:2610.01786v1 公告类型：新 摘要：神经活动通常呈现出多个时间尺度，并且这些时间尺度会随行为状态和任务条件而变化。从神经记录中识别这些时间尺度，对于更好地理解神经计算与功能至关重要。然而，基于自相关拟合的传统方法难以扩展到高维群体神经记录；当神经动力学随行为发生变化时，这些方法还可能变得不可靠。状态空间模型通过潜在动力系统对高维神经群体活动进行建模，已成为一种强大的框架，但标准形式和推断方法并未明确考虑多个时间尺度，因此无法保证准确恢复潜在的时间结构。受这些问题启发，我们提出了多时间尺度切换线性动态系统（MTS-SLDS），这是一种从连续型或脉冲式神经观测中识别特定状态潜在时间尺度的框架。MTS-SLDS 将多滞后矩初始化与状态条件化的 Laplace-EM 推断相结合：前者捕捉跨多个观测滞后的时间结构，后者减少不确定状态之间动力学统计量的混合。随后，可以直接从学习得到的潜在转移矩阵的特征值中提取特征时间尺度。在采用 Gaussian 和 Poisson 脉冲观测的合成实验和神经实验中，MTS-SLDS 在多个数据集上准确恢复了时间尺度和切换结构。