El promediado por activación de picos (STA, por sus siglas en inglés) 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. El STA proporciona una estimación del campo receptivo lineal de una neurona . Es una técnica útil para el análisis de datos electrofisiológicos .
Matemáticamente, la STA es el estímulo promedio que precede a un pico. [1] [2] [3] [4] Para calcular la STA, se extrae el estímulo en la ventana de tiempo que precede a cada pico y se promedian los estímulos resultantes (activados por el pico) (ver diagrama). La STA proporciona una estimación imparcial del campo receptivo de una neurona solo 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] las neuronas en el núcleo geniculado lateral y las células simples en la corteza estriada (V1). [9] [10] Se puede utilizar 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 células individuales. [11]
El promedio activado por picos también se conoce comúnmente como correlación inversa o análisis de ruido blanco . El STA es bien conocido como el primer término en la expansión de la serie del kernel de Volterra o del kernel de Wiener . [12] Está estrechamente relacionado con la regresión lineal y es idéntico a ella en circunstancias comunes.
Sea el vector de estímulo espacio-temporal que precede al intervalo de tiempo 'ésimo y el recuento de picos en ese intervalo. Se puede suponer que los estímulos tienen una media cero (es decir, ). Si no es así, se puede transformar para que tengan una media cero restando el estímulo medio de cada vector. La STA se da
donde , el número total de picos.
Esta ecuación se expresa más fácilmente en notación matricial: sea una matriz cuya fila 'ésima es el vector de estímulo y sea un vector columna cuyo elemento 'ésimo 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, la STA estándar proporciona una estimación sesgada del campo receptivo lineal. [5] Por lo tanto, puede ser adecuado blanquear la 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 se da por
donde el primer término es la matriz de covarianza inversa de los estímulos brutos y el segundo es la STA estándar. En notación matricial, esto se puede escribir
La STA blanqueada es imparcial solo si la distribución del estímulo puede describirse mediante una distribución gaussiana correlacionada [6] (las distribuciones gaussianas correlacionadas son elípticamente simétricas, es decir, pueden volverse 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.
La STA blanqueada es equivalente a la regresión lineal de mínimos cuadrados del estímulo contra el tren de picos.
En la práctica, puede ser necesario regularizar la STA blanqueada, ya que el blanqueamiento amplifica el ruido a lo largo de las dimensiones del estímulo que son poco exploradas por el estímulo (es decir, ejes a lo largo de los cuales el estímulo tiene baja varianza). Un enfoque común para este problema es la regresión de cresta . La STA regularizada, calculada mediante regresión de cresta, 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 cresta es equivalente a colocar una anterior en los elementos STA que dice que se extraen iid de una anterior gaussiana de media cero con covarianza proporcional a la matriz de identidad. El parámetro de cresta establece la varianza inversa de esta 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
En el caso de estímulos arbitrarios, el STA no suele ser consistente ni eficiente. Para estos casos, se han desarrollado estimadores de máxima verosimilitud y basados en información [5] [6] [13] que son consistentes y eficientes.