スパイク間間隔の対数分布の確率分布小さなデータセットから正確なエントロピー推定値が得られます

ニューロンのスパイクトレインが後続のニューロンに渡すことができる最大情報は、ニューロンの発火パターンエントロピーとして定量化できます。小さなデータセットからのエントロピーの推定に関連する困難は、発火パターンのエントロピーとより一般的には、神経科学コミュニティ内の情報理論の使用の広範な報告に対する障害を証明しています。最もアクセスしやすいエントロピー推定技術のクラスでは、スパイク列車は時間内に直線的に分割され、エントロピーはパーティション内の発火パターンの確率分布から推定されます。十分な以前の作業では、限られたデータセットバイアスと、時間内に直線的に分割されたスパイクタイミングイベントのサンプリングされていない確率分布からのエントロピー推定値の標準偏差を最小限に抑えるためのさまざまな手法に焦点を当てています。この原稿では、すべての分布ベースの手法が対数時間に分割されることから恩恵を受けるという証拠を提示します。対数分割により、発火率の変化は発火パターンのエントロピーに依存しないことを示します。2つのニューロンモデルの例を使用してエントロピー推定プロセス全体を描き、バイアスと標準偏差の堅牢な改善と、対数時間法が2つの広く使用されている直線的に分割された時間アプローチで生成されることを示しています。

The maximal information that the spike train of any neuron can pass on to subsequent neurons can be quantified as the neuronal firing pattern entropy. Difficulties associated with estimating entropy from small datasets have proven an obstacle to the widespread reporting of firing pattern entropies and more generally, the use of information theory within the neuroscience community. In the most accessible class of entropy estimation techniques, spike trains are partitioned linearly in time and entropy is estimated from the probability distribution of firing patterns within a partition. Ample previous work has focused on various techniques to minimize the finite dataset bias and standard deviation of entropy estimates from under-sampled probability distributions on spike timing events partitioned linearly in time. In this manuscript we present evidence that all distribution-based techniques would benefit from inter-spike intervals being partitioned in logarithmic time. We show that with logarithmic partitioning, firing rate changes become independent of firing pattern entropy. We delineate the entire entropy estimation process with two example neuronal models, demonstrating the robust improvements in bias and standard deviation that the logarithmic time method yields over two widely used linearly partitioned time approaches.