CEBRA：联合行为和神经分析的可学习潜在嵌入
CEBRA 是一种创新的机器学习方法，专门设计用于压缩时间序列数据，从而揭示数据变异性中原本隐藏的结构。它在同时记录的行为和神经数据上表现出色，能够从老鼠大脑的视觉皮层解码活动，重建所观看的视频。
关键特性
- 数据压缩：CEBRA 能够有效地压缩时间序列数据，揭示数据中的隐藏结构。
- 行为和神经数据分析：特别擅长处理同时记录的行为和神经数据。
- 视频解码：能够从视觉皮层解码活动，重建所观看的视频。
应用案例
老鼠海马体数据
CEBRA 应用于老鼠海马体数据（Grosmark 和 Buzsáki, 2016），展示了位置/神经活动（左），并与 CEBRA 获得的解码结果叠加（右）。当前的嵌入空间点被突出显示（右）。CEBRA 获得了 5cm 的中位绝对误差（总轨道长度：160cm；详见预印本）。
老鼠初级视觉皮层
CEBRA 应用于 Allen 研究所收集的老鼠初级视觉皮层数据（de Vries et al. 2020, Siegle et al. 2021）。使用 DINO 帧特征作为标签，将 2-photon 和 Neuropixels 记录与 CEBRA 嵌入。嵌入用于使用 kNN 解码器在 CEBRA-Behavior 嵌入的测试集上解码视频帧。
结论
CEBRA 填补了非线性技术在联合行为和神经数据中揭示神经动态方面的空白。它提供了一种新的编码方法，能够在监督假设或自我监督发现驱动的方式下，联合使用行为和神经数据，生成一致且高性能的潜在空间。
参考文献
- Schneider, Steffen, et al. "Learnable latent embeddings for joint behavioural and neural analysis." Nature (2023).
软件
CEBRA 算法的官方实现在 GitHub 上可用。请关注并收藏该仓库，以获取未来的更新和发布。
