【MIT博士论文】具有结构化域先验的神经时间序列生成模型，187页pdf

当我最初开始在统计信号处理和神经科学(神经信号处理)的交叉领域进行研究时，我的研究顾问埃默里·n·布朗(Emery N. Brown)教授详细地解释说，来自看似复杂的神经/生物系统的信号并非纯粹随机的，而是那些具有潜在结构的信号，可以通过有原则的方法恢复。从那一刻起，这一见解一直萦绕着我，我在研究生期间的研究一直是理解和实践我认为合适的神经信号处理框架。在本文中，我从贝叶斯/优化的角度定义了这个框架，并强调翻译和整合临床和科学领域的知识，从与实验神经科学家和临床医生的不断互动/合作中获得。本文着重于利用域先验/约束，如高斯过程、移位不变性、稀疏性和平滑性等，来揭示神经时间序列数据中的潜在结构。本文证明，贝叶斯方法仔细集成了这些约束，在数据中产生的结果/结构不仅可解释，而且对感兴趣的度量具有更好的性能。