05.與基于速率的刺激比較

編碼微刺激模式的另一種方法是使其類似于受刺激神經元在觸覺刺激下的正常放電方式。某研究采用了這種方法，即在刺激陣列上以相同的時空timing“回放”動作電位，每個動作電位由適當幅度的刺激脈沖表示。我們注意到，將此直接應用于我們的實驗設置存在兩個問題。一是VPL中的許多神經元顯示出相當高的背景放電率，因此回放與刺激無關的脈沖會導致S1的意外激活。即使詳盡嘗試了廣泛的替代脈沖幅度，這些模式也無法可靠地誘發有效的刺激調諧。另一個問題是，每個通道上通常會檢測到兩個或更多不同的神經元，每個刺激配置中會存在更多神經元。將這些神經元組合成單個刺激信號需要一種處理這種冗余的方法。

為解決這些問題，我們首先為每種觸摸條件提取每個檢測到的VPL神經元的PSTH。PSTH的計算方式是，對于每個bin，表示相對于刺激開始的預期（平均）動作電位數量。精確地說，對于相對于觸摸開始的第i個bin，PSTHi=counti/Ntrials，其中counti是該bin中所有Ntrials試驗的動作電位總數。然后，從每個PSTH中減去背景率（動作電位總數除以記錄持續時間）。這一步旨在減輕背景放電的影響。

然后，對于每個刺激配置（相鄰電極的雙極配置），選擇背景扣除后PSTH中峰值最高的神經元作為該刺激配置的代表神經元。這旨在選擇對觸摸刺激調諧最明確的神經元。然后，對代表PSTH應用全局增益，以產生μA級的刺激信號。由于PSTH被縮放為每個bin的值表示該bin中的平均動作電位數量，因此增益正是每動作電位的μA數。對于每只動物，通過在5到15之間以1為增量exhaustive搜索，確定在響應最大的觸摸部位實現最準確S1 LFP再現的最佳增益。然后固定該增益，并對剩余觸摸部位應用基于速率的刺激。本研究在9只動物中的3只中應用了該方法。

06.從反應中解碼觸摸參數

給定單個多通道反應，觸摸參數（位置、幅度、持續時間）的解碼精度如何？經過自然度優化的虛擬觸摸反應是否可以以類似的精度解碼？為了測量這種可辨別性，我們進行了一組分類實驗，其中觸摸條件（位置、幅度、持續時間）從刺激周圍的觸摸反應中預測。

這首先分別對虛擬觸摸和自然觸摸進行，以了解每種模態的神經反應提供了多少關于觸摸參數的信息。理想情況下，不同觸摸參數的虛擬反應不僅應彼此可辨別，還應沿著與自然反應相同的邊界良好分離。為了測試這一點，我們嘗試在單個“廣義”分類器下對虛擬觸摸反應進行分類，該分類器的特征空間使用虛擬和自然反應定義，但其分類邊界僅基于自然反應。我們將首先描述這些實驗中使用的算法，并在下一節中呈現分類率。

在個體和廣義分類器中，解碼程序均包括監督降維，然后是最近均值分類。我們假設，給定標簽的多通道LFP反應（在刺激后的T樣本窗口內）可以視為隨機向量，并使用單峰分布（如多元正態分布）建模。在此假設下，每個樣本可以分配給最近的刺激周圍平均值的標簽。為了考慮協方差，使用線性判別分析（LDA）將反應投影到低維子空間中。LDA具有由類間和類內協方差矩陣定義的廣義特征值問題的閉式解。由于反應具有許多維度（p?T），在計算協方差矩陣之前先進行主成分分析（PCA）。然后，每個反應被投影到降維子空間中，然后分配給最近的刺激周圍平均值的標簽。在以下結果中，我們通過交叉驗證選擇降維維度，但最多比類別數少一。對于大多數結果，我們使用刺激后300 ms的窗口，這對應于原始采樣頻率1220 Hz下的T=367個樣本。對于短持續時間的觸摸，我們還分析了窗口長度對分類性能的影響，這通過為每個窗口長度計算不同的LDA投影來實現。

個體訓練的分類器在學習LDA投影和分配最終類別標簽時，僅使用來自自然或虛擬觸摸的反應。然而，在廣義分類器中，LDA投影使用兩種類型的反應進行，但最終分類通過分配最近的自然觸摸均值的標簽來執行。所有分類器均通過8次蒙特卡洛數據劃分（2/3訓練，1/3測試）進行驗證，結果在下一節中呈現。為了直接測量解碼的觸摸參數提供的關于真實觸摸標簽的信息量，經驗計算了兩個離散標簽變量之間的互信息（以位為單位）。與分類率的計算一樣，每種唯一的觸摸參數組合被視為離散標簽，并且從觸摸標簽的邊際熵中減去給定真實標簽的解碼觸摸參數標簽的預期條件熵。為了計算以位/秒為單位的信息速率，將每次觸摸的信息乘以每只嚙齒動物的平均觸摸傳遞速率。