05.与基于速率的刺激比较


编码微刺激模式的另一种方法是使其类似于受刺激神经元在触觉刺激下的正常放电方式。某研究采用了这种方法，即在刺激阵列上以相同的时空timing“回放”动作电位，每个动作电位由适当幅度的刺激脉冲表示。我们注意到，将此直接应用于我们的实验设置存在两个问题。一是VPL中的许多神经元显示出相当高的背景放电率，因此回放与刺激无关的脉冲会导致S1的意外激活。即使详尽尝试了广泛的替代脉冲幅度，这些模式也无法可靠地诱发有效的刺激调谐。另一个问题是，每个通道上通常会检测到两个或更多不同的神经元，每个刺激配置中会存在更多神经元。将这些神经元组合成单个刺激信号需要一种处理这种冗余的方法。


为解决这些问题，我们首先为每种触摸条件提取每个检测到的VPL神经元的PSTH。PSTH的计算方式是，对于每个bin，表示相对于刺激开始的预期（平均）动作电位数量。精确地说，对于相对于触摸开始的第i个bin，PSTHi=counti/Ntrials，其中counti是该bin中所有Ntrials试验的动作电位总数。然后，从每个PSTH中减去背景率（动作电位总数除以记录持续时间）。这一步旨在减轻背景放电的影响。


然后，对于每个刺激配置（相邻电极的双极配置），选择背景扣除后PSTH中峰值最高的神经元作为该刺激配置的代表神经元。这旨在选择对触摸刺激调谐最明确的神经元。然后，对代表PSTH应用全局增益，以产生μA级的刺激信号。由于PSTH被缩放为每个bin的值表示该bin中的平均动作电位数量，因此增益正是每动作电位的μA数。对于每只动物，通过在5到15之间以1为增量exhaustive搜索，确定在响应最大的触摸部位实现最准确S1 LFP再现的最佳增益。然后固定该增益，并对剩余触摸部位应用基于速率的刺激。本研究在9只动物中的3只中应用了该方法。


06.从反应中解码触摸参数


给定单个多通道反应，触摸参数（位置、幅度、持续时间）的解码精度如何？经过自然度优化的虚拟触摸反应是否可以以类似的精度解码？为了测量这种可辨别性，我们进行了一组分类实验，其中触摸条件（位置、幅度、持续时间）从刺激周围的触摸反应中预测。


这首先分别对虚拟触摸和自然触摸进行，以了解每种模态的神经反应提供了多少关于触摸参数的信息。理想情况下，不同触摸参数的虚拟反应不仅应彼此可辨别，还应沿着与自然反应相同的边界良好分离。为了测试这一点，我们尝试在单个“广义”分类器下对虚拟触摸反应进行分类，该分类器的特征空间使用虚拟和自然反应定义，但其分类边界仅基于自然反应。我们将首先描述这些实验中使用的算法，并在下一节中呈现分类率。


在个体和广义分类器中，解码程序均包括监督降维，然后是最近均值分类。我们假设，给定标签的多通道LFP反应（在刺激后的T样本窗口内）可以视为随机向量，并使用单峰分布（如多元正态分布）建模。在此假设下，每个样本可以分配给最近的刺激周围平均值的标签。为了考虑协方差，使用线性判别分析（LDA）将反应投影到低维子空间中。LDA具有由类间和类内协方差矩阵定义的广义特征值问题的闭式解。由于反应具有许多维度（p?T），在计算协方差矩阵之前先进行主成分分析（PCA）。然后，每个反应被投影到降维子空间中，然后分配给最近的刺激周围平均值的标签。在以下结果中，我们通过交叉验证选择降维维度，但最多比类别数少一。对于大多数结果，我们使用刺激后300 ms的窗口，这对应于原始采样频率1220 Hz下的T=367个样本。对于短持续时间的触摸，我们还分析了窗口长度对分类性能的影响，这通过为每个窗口长度计算不同的LDA投影来实现。


个体训练的分类器在学习LDA投影和分配最终类别标签时，仅使用来自自然或虚拟触摸的反应。然而，在广义分类器中，LDA投影使用两种类型的反应进行，但最终分类通过分配最近的自然触摸均值的标签来执行。所有分类器均通过8次蒙特卡洛数据划分（2/3训练，1/3测试）进行验证，结果在下一节中呈现。为了直接测量解码的触摸参数提供的关于真实触摸标签的信息量，经验计算了两个离散标签变量之间的互信息（以位为单位）。与分类率的计算一样，每种唯一的触摸参数组合被视为离散标签，并且从触摸标签的边际熵中减去给定真实标签的解码触摸参数标签的预期条件熵。为了计算以位/秒为单位的信息速率，将每次触摸的信息乘以每只啮齿动物的平均触摸传递速率。