El promedio activado por picos (STA) es una herramienta para caracterizar las propiedades de respuesta de una neurona utilizando los picos emitidos en respuesta a un estímulo que varía en el tiempo. La STA proporciona una estimación del campo receptivo lineal de una neurona . Es una técnica útil para el análisis de datos electrofisiológicos .
Matemáticamente, el STA es el estímulo promedio que precede a un pico. [1] [2] [3] [4] Para calcular el STA, se extrae el estímulo en la ventana de tiempo anterior a cada pico y se promedian los estímulos resultantes (activados por picos) (consulte el diagrama). La STA proporciona una estimación imparcial del campo receptivo de una neurona sólo si la distribución del estímulo es esféricamente simétrica (por ejemplo, ruido blanco gaussiano ). [3] [5] [6]
La STA se ha utilizado para caracterizar las células ganglionares de la retina , [7] [8] neuronas en el núcleo geniculado lateral y células simples en la corteza estriada (V1). [9] [10] Puede utilizarse para estimar la etapa lineal del modelo de cascada lineal-no lineal-Poisson (LNP) . [4] El enfoque también se ha utilizado para analizar cómo la dinámica de los factores de transcripción controla la regulación genética dentro de las células individuales. [11]
El promedio activado por picos también se conoce comúnmente como correlación inversa o análisis de ruido blanco . STA es bien conocido como el primer término de la expansión de la serie del kernel Volterra o del kernel Wiener . [12] Está estrechamente relacionado con la regresión lineal , y es idéntico a ella en circunstancias comunes.
Denotemos el vector de estímulo espacio-temporal que precede al 'ésimo intervalo de tiempo y el recuento de picos en ese intervalo. Se puede suponer que los estímulos tienen media cero (es decir, ). De lo contrario, se puede transformar para que tenga media cero restando el estímulo medio de cada vector. Se da la STA
donde , el número total de picos.
Esta ecuación se expresa más fácilmente en notación matricial: denotemos una matriz cuya 'ésima fila es el vector estímulo y denotamos un vector columna cuyo enésimo elemento es . Entonces la STA se puede escribir
Si el estímulo no es ruido blanco , sino que tiene una correlación distinta de cero en el espacio o el tiempo, el STA estándar proporciona una estimación sesgada del campo receptivo lineal. [5] Por lo tanto, puede ser apropiado blanquear el STA mediante la inversa de la matriz de covarianza del estímulo . Esto resuelve el problema de la dependencia espacial; sin embargo, todavía asumimos que el estímulo es temporalmente independiente. El estimador resultante se conoce como STA blanqueado, que viene dado por
donde el primer término es la matriz de covarianza inversa de los estímulos brutos y el segundo es el STA estándar. En notación matricial, esto se puede escribir
La STA blanqueada es imparcial sólo si la distribución del estímulo puede describirse mediante una distribución gaussiana correlacionada [6] (las distribuciones gaussianas correlacionadas son elípticamente simétricas, es decir, pueden hacerse esféricamente simétricas mediante una transformación lineal, pero no todas las distribuciones elípticamente simétricas son gaussianas). Esta es una condición más débil que la simetría esférica.
El STA blanqueado es equivalente a una regresión lineal de mínimos cuadrados del estímulo contra el tren de púas.
En la práctica, puede ser necesario regularizar el STA blanqueado, ya que el blanqueamiento amplifica el ruido a lo largo de dimensiones del estímulo que el estímulo no explora bien (es decir, ejes a lo largo de los cuales el estímulo tiene una variación baja). Un enfoque común a este problema es la regresión de crestas . El STA regularizado, calculado mediante regresión de crestas, se puede escribir
donde denota la matriz de identidad y es el parámetro de cresta que controla la cantidad de regularización . Este procedimiento tiene una interpretación bayesiana simple: la regresión de crestas equivale a colocar un prior en los elementos STA que dice que se extraen iid de un prior gaussiano de media cero con covarianza proporcional a la matriz de identidad. El parámetro de cresta establece la varianza inversa de este anterior y generalmente se ajusta mediante validación cruzada o Bayes empírico .
Para las respuestas generadas según un modelo LNP , el STA blanqueado proporciona una estimación del subespacio abarcado por el campo receptivo lineal. Las propiedades de esta estimación son las siguientes.
El STA blanqueado es un estimador consistente , es decir, converge al subespacio lineal verdadero, si
El STA blanqueado es un estimador asintóticamente eficiente si
Para estímulos arbitrarios, la STA generalmente no es consistente ni eficiente. Para tales casos, se han desarrollado estimadores de máxima verosimilitud y basados en información [5] [6] [13] que son a la vez consistentes y eficientes.