arXiv q-bio.NC（Neurons and Cognition）·· 11 天前AI 评分41
贝叶斯自适应设计用于神经募集曲线采集
Bayesian adaptive design for neural recruitment curves
AI 导读
研究提出一种贝叶斯自适应设计，利用曲线参数的后验不确定性选择刺激，以最大化整个神经募集曲线的信息增益，并可在5秒内给出下一个刺激，适用于TMS实验。仿真中该设计在恢复阈值上优于均匀采样、与ML-PEST相当，在曲线预测精度上优于ML-PEST、与均匀采样相当，且未牺牲阈值估计。研究还在TMS实验中验证了该设计，并发布了用于在线采集神经募集曲线的Python库onMEP。
AI 要点
团队
第一作者 Vishweshwar Tyagi，末位作者 James R. McIntosh，共 7 位作者。
主要结果
仿真中恢复阈值优于均匀采样、与 ML-PEST 相当；预测曲线精度优于 ML-PEST、与均匀采样相当；用其采集的数据在干预研究中检测阈值变化的统计功效更高。
解决什么问题
传统采集依赖静态均匀采样需大量刺激，而 ML-PEST 等自适应阈值搜寻设计无法准确刻画整条曲线。
方法
基于曲线参数的后验不确定性提出最大化信息增益的刺激，并实现可针对任意参数子集的聚焦采集；在 TMS 实验中验证，并提供 Python 库 onMEP 用于在线采集。
局限
从研究设计看，主要结论来自仿真，实验部分为验证性质，未设对照。
AI 依据原文整理，未经人工核对。
来源：arXiv q-bio.NC（Neurons and Cognition） · arxiv.org