神经脉冲序列与群体向量交织编码神经表征

神经记录通常通过比较神经脉冲序列，或比较时间区间（群体向量）来进行分析。如果有多个变量驱动神经活动，这些比较将受到所有这些变量的影响。我们的目标是解耦驱动神经活动的不同潜变量或协变量，并揭示其结构与几何性质。本文的核心思想是：当一个矩阵的行与列彼此局部化时，该矩阵就是解耦的；我们将这一条件称为双向局部性。在这样的矩阵中，行和列编码相同的几何结构，并且各自仅对其中一个局部区域作出响应。这启发我们在给定的数据矩阵中寻找具有双向局部性的矩阵，从而以直接的方式恢复驱动该矩阵的协变量的几何结构。我们提出了两种实现这一目标的方法。第一种方法是相干投影（coherent projections），其通过寻找神经数据矩阵（神经元×时间区间）的非负投影，使所得投影具有双向局部性。第二种方法是团块（clumps），其通过寻找神经数据矩阵中的稠密子矩阵来实现，其中每个子矩阵均对应一个协变量的局部区域。我们将这些方法应用于两个神经数据集，结果表明，它们能够分离网格细胞模块，并揭示运动皮层中由运动驱动的低维结构。

神经记录通常通过比较神经脉冲序列，或比较时间 bin（群体向量）来进行分析。如果有多个变量驱动神经活动，这些比较将受到所有变量的影响。我们的目标是解耦驱动神经活动的不同潜变量或协变量，并揭示其结构与几何性质。本文的核心思想是：当一个矩阵的行与列彼此具有局部性时，该矩阵就是解耦的；我们将这一条件称为双向局部性。在这样的矩阵中，行和列编码相同的几何结构，并且各自仅对其中一个局部区域作出响应。这启发我们在给定的数据矩阵中寻找具有双向局部性的矩阵，并由此以直接的方式恢复驱动该矩阵的协变量几何结构。我们提出了两种实现这一目标的方法。第一种方法是相干投影（coherent projections），其通过寻找神经数据矩阵（神经元 × 时间 bin）的非负投影，使所得投影具有双向局部性。第二种方法是团块（clumps），其通过寻找神经数据矩阵中的稠密子矩阵来实现；每个子矩阵均对应于某一协变量的一个局部区域。我们将这些方法应用于两个神经数据集，结果表明，它们能够分离网格细胞模块，并揭示运动皮层中由运动驱动的低维结构。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.27.744867v1?rss=1

🏷️ 神经编码 神经脉冲序列 群体向量 潜变量解耦 双向局部性 网格细胞