通过人海马神经元的相 - 振幅耦合控制工作记忆

　　共有36例患者（44例； 21个女性； 15名男性；年龄：40.47±13.76岁；补充表5；没有使用统计方法来预先确定样本量）。所有患者均植入了behnke-fried杂交电极（ADTECH），用于颅内癫痫发作监测和评估，以治疗对药物抗药性癫痫的手术治疗。他们的参与是自愿的，所有患者都给予了知情同意。这项研究是三个机构（Cedars-Sinai Medical Center，Toronto Western Hospital和Johns Hopkins医院）之间NIH脑联盟的一部分，并获得了患者入学的机构审查委员会的批准。如前所述34，使用FreeSurfer以及使用FreeSurfer将电极定位于术前磁共振成像（MRI）图像以及计算机断层扫描后的术后图像。电极位置绘制在MNI152坐标中的Citi168 Atlas Brain57上，以实现可视化的唯一目的（图1B）。3D图是使用现场渡轮（V.20200409）和Brainnetome Atlas58生成的。在白质或目标区域外出现的坐标是由于模板大脑的使用。分析中排除了本地空间中目标区域外部位于目标区域外的电极（共8个记录地点中有8个）。本研究中使用的数据可在Dandi Archive59中获得。 　　该任务包括140次试验和280张新颖图片。每次试验以0.9至1.2 s的固定交叉开始（图1A）开始。根据负载条件，固定交叉接下来是一个（负载1; 70个试验）或三个（负载3; 70个试验）连续呈现的图片，每个图片都保留在屏幕上2 s。在Load 3试验中，图片通过随机显示为17至200 ms的空白屏幕分开。图片呈现之后是2.55至2.85 s长的维护期，其中仅在屏幕上显示“ hold”一词。维护期是通过探测图片的呈现终止的，探针图片是试验前面显示的图片之一（匹配），或者是以前的试验之一（不匹配；见下文）中已经显示的图片。任务是指出探针图片是否匹配了同一试验中前面显示的图片。显示了探针图片，直到患者通过按下按钮提供他们的反应。一半试验后，响应映射切换，该试验在短短的半场休息期间与患者进行了通信。使用Cedrus响应垫（RB-844； Cedrus）提供了响应。所有图片都是新颖的（即，患者从未看过此特定图像），并从五个不同的视觉类别中绘制：面部，动物，汽车（或根据版本取决于版本），水果和景观。图像（宽度×高度：10.5×7的视觉度）在屏幕的中央显示，并且不超过两次（即作为探针图片时）。仅当作为探针刺激出现时，仅重复图片。为了确保不匹配的探针图片对患者而言从来都不是全新的（以及匹配的探针图片），这可以用作不使用WM的情况下解决任务的策略，我们始终使用了患者在早期试验中已经看到的图片， 从编码过程中未使用的类别之一随机绘制。如果患者参加了多次会议，我们在每个会话中使用了一套全新的图片，以确保在所有课程中所有图片都是新颖的。与负载1试验相比，总体较长的载荷3持续时间可确保在较高载荷的试验中的认知控制需求增加。维护周期的长度相同，无论负载如何，在此时间窗口（维护期开始后0-2.5 s）中，对维持期间的神经活动进行了所有分析。请注意，在加载3个试验中，三个编码项目来自三个不同的类别，确保参与者始终必须维护三个不同类别的图片。因此，当比较首选试验的负载1和3之间的试验时，每个负载条件总是包含首选类别中的一个项目。 　　每个杂交深度电极都包含八个微管，我们以32 kHz（Atlas System，Neuralynx； Cedars-Sinai Medical Center和Toronto Medical Center和Toronto Sestern Hospital）或30 kHz（Blackrock Neurotech; Johns Houppkins Hospital）依靠Institition依靠Institition Institition依靠Institition依靠Institition。所有记录均在每个记录站点中局部参考，使用八个可用的微通道之一或捆绑包中提供的较低阻抗的专用参考通道，尤其是当所有通道都包含神经元尖峰的记录时。为了检测并从每根电线中的假定单神经元中进行尖峰，我们使用了半匹配模板匹配算法OSORT（v.4.1）60。在300–3,000 Hz频段中的频带过滤原始信号后，检测到尖峰（单细胞质量指标在扩展数据中显示）。本文中的所有分析（包括LFP）均基于从微电线记录的信号。我们在海马中分离了360个神经元，在杏仁核中分离出496个神经元，在SMA前204个神经元，在DACC中为188，在VMPFC中为206。在LFP通道中，海马中有586个通道，在杏仁核中为421个，在Pre-SMA中为283，在DACC中为325，在VMPFC中为325。 　　在分析LFP之前，我们删除了尖峰波形（动作电位），并排除了具有间隔放电和高振幅噪声的试验。首先，为了避免将峰值活动泄漏到较低频率范围内61,62，我们通过将原始数据从原始数据插入-1至2 ms，在原始记录中的每个峰值开始时，我们从原始信号中删除了检测到的尖峰的波形。由于在极少数情况下可以将相同的尖峰记录在多个电线上，因此我们不仅可以插值检测到神经元的电线的数据，而且还针对同一电线中的所有其他电线。然后，我们低通使用零相位延滤线过滤器以175 Hz的速度过滤原始信号，并将其下采样至400 Hz。然后，使用零相位滞后的频段滤波器在59.5至60.5 Hz之间删除线噪声，并在119.5和120.5 Hz之间删除。扩展数据图1F，G显示了来自海马的示例通道的原始LFP以及log -log功率谱。载荷1和载荷3试验之间的log -log功率谱的斜率在海马通道中没有显着差异（n = 586个通道；平均斜率-1.7526±0.3902，与-1.7517±0.3928，T585 = -1.7517±0.3928，T585 = -0.86，p = 0.39）。 　　使用半小型算法以及随后对数据的目视检查以每次试验和电线的基础进行人工伪像和截期放电检测。为了检测高振幅噪声事件以及间隔放电，我们在所有试验中z得出了每个通道中的幅度。为了避免人工振幅偏见，我们首先将数据限制为6 s.d。根据均值并重新表现在限制的数据63,64上的z得分。如果每个试验中的一个时间样本和电线都超过4 S.D.的阈值，则将试验从该线的分析中删除。通过z得分限制信号的每四个样本之间的差异来检测信号中的跳跃。任何跳跃都超过Z分数为10 S.D.的试验。被删除。在每个录音中都在视觉上检查了此清洁过程的结果，并手动删除了剩余的任何人为试验。如果电线或大脑区域表现出过多的噪声或癫痫活性，则将其完全从分析中删除。平均而言，每线删除20.4±13.9个试验（数据占数据的14.6％）。 　　我们使用以前引入的调制指数（MI）在所有记录的微通道中测量了PAC的强度（除了所记录的频道（除外，参见上文除外，请参见上文除外）的强度。65。正如上述清洁过程为每个通道产生了一组不同的可用试验，我们首先从每个通道中的所有正确试验中随机采样，以使负载1和负载3的试验数相同。然后，​​在每个选定的试验中，在维持期后，我们从-500到3,000 ms开始提取LFP。然后，我们过滤（使用Eeglab的Pop_eegfiltnew.m，v.2019.1）在各自感兴趣的频段中分别进行了66个试验（有关更多详细信息，请参见下文）。然后，我们从低频信号中提取瞬时相，并使用希尔伯特变换从高频信号中提取幅度。最后，我们将每个试验缩短到了与维护期开始相对于0-2,500毫秒的最终感兴趣的时间窗口。最后一步确保了在信号边缘出现的过滤器伪像。在维持期间开始的2.5 s长时间窗口中，对维护期间神经活动的所有分析均进行。在两个负载条件下，分析窗口的长度相同。接下来，我们在试验中串联了相位和振幅信号，并按照先前所述的65（18相箱）计算了MI。我们分别计算出负载1和3个试验的错误计算。所有来自两个负载条件的亚采样试验均以公正的方式选择重要的PAC通道（见下文）。在Zenodo67发表的本研究中重现结果的一部分的示例代码。 　　为了使每个通道，频率和条件中的MI标准化，我们通过随机组合来自不同试验的相位和振幅信号（试验改组）来计算200个替代MIS，再次分别用于负载1，负载3和所有试验。我们适合这些替代数据（normfit.m）的正态分布以获得平均值和s.d。每个分布。然后将这些值用于Z变换原始MI值。标准化MI值消除了由于负载相关的功率或相位差异而可能引起的潜在系统差异，这可能会导致PAC中观察到的差异。此外，由于LFP信号的非平稳性，低频与高频功率的非特异性相关性更容易受到影响。将原始调制指数与相同条件下试用的替代物进行比较将减少由这种非特异性相互作用引起的PAC（先前详细讨论68）。除了提供显着性的度量之外，将MI值正常化还可以在条件，频率和通道69之间进行比较。如果在所有子采样试验中计算的归一化MI（两个载荷）超过1.64（p <0.05，右侧），则表示通道具有显着的PAC。 　　我们重复上述所有频率组合的过程。将相位信号的中心频率提取为2至14 Hz之间的台阶（2 Hz固定带宽）。提取30至150 Hz的频率以5 Hz的步骤提取振幅信号。振幅信号的带宽是可变的，取决于低频信号的中心频率。选择它使其构成相位信号的中心频率的两倍（例如，如果与相位信号的8 Hz中心频率组合，则选择振幅信号的带宽为16 Hz）。此过程可确保如果包括低频相信号调节幅度信号，则会出现侧峰。68。 　　为了确定theta波形形状对PAC的影响，我们测试了theta波形峰值到下的差异，以及两个载荷条件之间的升天到末期不对称，这可能会导致TG-PAC70,71的差异。为了在所有重要的海马PAC通道中的延迟期间提取和表征每个theta循环，我们使用了Python中的Bycycle Toolbox72。在维护期间，我们对跨周期的峰值到下潮的峰值和不对称的估计值进行了估计，从每个负载中用于我们的PAC分析的相同试验，并测试了条件之间的估计值。该分析的结果显示在扩展数据中图3C。 　　此外，我们确定了使用先前描述的方法69的方法显示出显示theta-High-gamma嵌套的重要PAC通道的数量。为此，在每个PAC通道中，我们确定了伽马振幅最大的theta相位箱，即伽马振幅的首选theta相。在带有循环过滤和相键的theta（3-7 Hz）信号中，我们在所有正确试验的延迟期间确定了发生此相位bin的所有正确试验的所有实例，并提取了每个瞬时伽玛幅度的精确时间点（70-140 Hz）在每个bin中均为最大值（70-140 Hz）。为了获得平均波形，我们选择了一个500毫秒的窗口，以原始（未经过滤）LFP记录的每个时间点为中心，并在每个通道中的所有窗口中平均所有信号。示例来自两个通道的平均波形在扩展数据中显示了图3E。根据参考。69，我们将波形表征为嵌套，如果至少三个局部最大值落在首选相位周围45毫秒内（即70 Hz的3个周期）的窗口。结果显示在扩展数据中。图3E。 　　我们计算了MTL区域和VMPFC的所有重要PAC通道的TG-PAC的单试估计值。我们使用混合效应的GLM来评估RT是否以试验方式（仅使用正确的试验）与PAC相关。我们将负载作为混杂因素，并为嵌套在患者中的每个重要的PAC通道进行建模。为了检查类别神经元的FR（见下文）和PAC的单审估计之间是否存在相关性，我们将带有负载的混合效应GLM用作混杂因素，并模拟了每个神经元与重要的PAC通道组合的随机截距。仅使用正确的试验。 　　我们选择了神经元的神经元，在该神经元中，在所示刺激的图像类别之间，刺激发作后的刺激发作后的反应有所不同。为此，对于每次试验，我们都计算了刺激发作后200至1,000毫秒（所有编码期和探测周期）在200至1,000毫秒之间发射的神经元的尖峰数量。然后，我们根据该试验中所示的图片类别对尖峰计数进行了分组。对于每个神经元，我们计算了一个基于1×5的基于视觉类别的方差分析（ANOVA）作为分组变量，然后在具有最大尖峰计数和所有其他类别的类别之间进行了事后事后单方面置换基于基于置换率的t检验。如果两种测试都显着（p <0.05，2,000个排列（见下文）），我们将给定神经元分类为类别神经元。我们将最大FR的类别称为单元格的首选类别。为了测试观察到的类别细胞数量是否明显大于每个区域的偶然性预期，我们在所有图片演示中为每种刺激的类别标签都改装了上述选择500次。如果未显示的数据中观察到的类别细胞数量高于所得的洗牌分布的第99个百分位数（p <0.01）（在所有五个大脑区域中，这对应于Bonferroni校正的α水平为0.05），我们认为在给定区域中观察到的类别细胞数量是显着的。请注意，仅使用编码期中的尖峰活动选择类别单元格，在维护期间将FRS独立于以后分析。 　　为了测量神经元以一定频率遵循LFP的阶段的强烈峰值活性，我们计算了SFC。在正确试验中，我们将SFC测量为跨捆绑神经元间组合的所有神经元到通道组合的平均矢量长度（MVL）。为了估算每个试验中不同频率范围内LFP的瞬时相，我们使用40个复杂的Morlet小波74在对数步骤中从2到150 Hz应用了连续的小波转换。每个小波的循环数量随频率的函数从3个循环变为10个循环，也在40个对数步骤75中变化。与在所有频率上使用恒定数量的周期相比，这确保了在低频下更长的小波的较高时间精度和更高频率的频率精度。76。扩展数据图1显示了此分析中使用的所有小波的时间和光谱特性。为了评估小波变换的质量，我们测试了在将小波应用于数据后能够重建原始信号的能力。为了重建信号，我们在将每个小波施加到数据上后提取了实价（带通滤波）信号，然后在所有频率上概括了这些信号。这导致了一个信号，该信号紧随每个试验中的原始记录（示例试验）在扩展数据中显示了图1J）。我们通过使用重构信号作为预测因子来计算从线性模型中提取的R2值来评估重建信号预测原始信号的程度，而原始信号作为每个试验和通道中的响应变量。由于重建的质量可能会随频率或时间的函数而变化，因此我们进行了几次分析和频率箱。第一的， 我们在每个小波的光谱带宽内滤波了两个信号，然后在500毫秒的滑动窗口中应用线性模型，步长为25 ms。该分析的结果显示在扩展数据中。 　　对于我们的SFC分析，我们首先从每个通道中的所有干净试验中提取了-500至3,000毫秒之间的数据，然后计算出复杂的Morlet小波卷积以提取LFP的瞬时相位，如上所述。然后将试验切成维护期开始后0至2,500毫秒的最终感兴趣的时间窗口，以消除每个试验边缘的过滤器伪像。为了进一步避免基于峰值计数差异的MVL偏置，我们对峰值进行了采样，以便在每种情况下都有相等数量的尖峰。我们包括在每种情况下至少有50个尖峰的神经元（由于非优先条件下潜在的低峰值计数，我们在类别神经元中首选的至少十个尖峰与非脱颖而出的分析使用。接下来，我们在最接近每个尖峰的时间戳的LFP中提取了相位，平均在极空间中的所有尖峰强调，并为40个频率中的每个频率计算了MVL。我们重复了该子采样500次，并在条件下所有重复的所有重复中平均得出的MVL。为了避免在首选与非脱颖而出的（类别神经元；图3）或快速与慢速RT SFC比较（跨区域分析；图5）中的潜在偏差（类别神经元；图3），我们计算了每个负载条件中的SFC估计值，然后在载荷上平均。 　　使用替代分布进一步将每个神经元间组合中的MVL进一步归一化，该分布是在500次的所有尖峰的时间戳中添加随机噪声后计算的。MVL的潜在偏差基于条件之间的系统差异（例如给定频带内的条件之间的功率差异），从而减少了。像PAC的度量（见上文）一样，我们适合替代数据的正态分布，并使用了平均值和s.d。该分布以在每个条件下的z得分为z得分。 　　为了比较SFC在首选试验和非脱颖而出的试验之间，我们计算了同一区域内所有类别神经元到通道组合的SFC，在维持期间的频率为2至150 Hz之间，并比较了对偏好或非偏爱刺激的试验。我们使用基于簇的置换统计量来识别具有显着差异的频率范围（图3F）。为了确定在首选试验和非偏见试验之间观察到的伽马SFC差异取决于伽马振幅，我们测试了海马中的高胶和低胶水分裂（Median and Median ampliteantery and Median and Median and Median and Median and Median and Median and Median firterred and Median and Median fielderred and Median naterry Rictance in Hippocampus in Happocampus in 70-140 Hz的平均）是否对海马中的类别神经元进行了测试。 　　THETA或GAMMA-BAND SFC是否与细胞和/或负载的偏好有关，通过在Theta（3-7 Hz）内的SFC或伽马频段（70-140 Hz）（70-140 Hz）中的平均SFC进行测试，并计算2×2置换的ANOVA，并以所有类别的神经元与Pac Channel Channel Commandations在HimpChinds Comminations中的载荷和偏好。 　　为了检查两个负载条件之间的跨区域SFC是否有所不同，我们为每个负载条件下各个区域之间的所有神经元间组合计算了SFC。然后，我们使用基于簇的置换统计量来识别具有显着差异的频率范围（图5B； alpha级Bonferroni校正了两个MTL区域，三个额叶区域和两个细胞种群的所有测试）。为了进一步确定与RT的关系（图5F），我们对每个负载条件下的所有正确试验进行了RT的中间分裂，并比较了海马PAC神经元和VMPFC之间的跨区域SFC，并在内部和慢速RT之间进行平均和显着的THETA范围（两种载荷条件下）。 　　我们选择了在任务的维护期间与theta相和γ振幅相关的神经元。对于一束微管中的所有神经元间到通道的组合，我们从正确的试验中提取了-500至3,000毫秒之间的数据，相对于维持期开始，并估计了每次试验中的3至7 Hz之间的theta信号相。通过计算频率在70至140 Hz之间的频率步骤5 Hz的频率（每个小波使用7个周期）的频率来确定伽马振幅。维护期开始后，将试验切割至0至2,500毫秒以去除边缘人工制品，然后加入。在所有试验中，z得出每个伽马频率中提取的幅度，并在所有频率中平均。以5 Hz步骤计算小波卷积，并在平均避免了由于功率定律引起的较低频率的偏置功率估计之前，将数据尺寸为Z尺寸。接下来，对于每个神经元通道对，我们进行了伽马振幅的中位数，并分别将所有振幅归为低伽玛和高伽玛。在两个伽马组中的每一个中，我们进一步将相应的theta相分为10组（36°箱），总共导致20箱（图4A）。然后，在每个垃圾箱中，我们计算了每个theta – gamma bin中发生的尖峰数量。 　　我们为每个神经元间组合拟合三个泊松GLM。在模型1中，尖峰计数（SC）是theta相（10个水平），伽马振幅（2个水平）的函数，以及theta相和伽马振幅之间的相互作用。由于相值的圆形性，我们将theta分别为余弦和正弦，这使我们能够将theta相视为线性变量。模型2包括theta相和伽马振幅为主要效应，而不是相互作用项。模型3包括对theta相和相互作用项的主要影响，但对伽马振幅没有主要影响： 　　接下来，我们使用模型1和其他两个模型之间的似然比测试（使用compare.m）比较了模型对。如果Model 1解释了峰值的差异，则有资格为PAC神经元的神经元明显好于其他两个模型（p <0.01，对所有可能的通道组合校正了FDR）。每个模型比较背后的理由如下。首先，我们对theta相和伽马振幅相互作用的神经元特别感兴趣，即PAC，而不仅仅是theta相或γ振幅。选择哪种模型1（包括相互作用项）的神经元解释了给定神经元的尖峰计数方差明显优于模型2（缺乏相互作用项）确保提取这些神经元。其次，由于以下原因，我们还将模型1与缺少伽马项的模型3进行了比较。假设给定的神经元通道组合具有在田间电位水平上具有强PAC的LFP，即theta相和γ振幅之间的强相互作用，而FR的神经元与theta相和γ相振幅无关。然而，这种情况将导致模型1中的显着相互作用项，因为落入低和高γ振幅组的尖峰将具有不同的theta阶段（由于PAC）。仅当LFP中的基础PAC非常强（图6中提供了进一步的讨论）时，只有这种情况。但是，在这种情况下，伽马振幅项（或theta阶段项）并不重要。因此，将模型1与模型2和模型3进行比较，可确保仅在PAC神经元中选择细胞，在PAC神经元中，相互作用项在其中解释了仅超过主要效应和相互作用的方差。 　　由于我们没有在额叶区域观察到强烈的PAC或持续活跃的类别神经元，因此我们将此分析限制在MTL区域的通道中，并在每个负载条件下分别进行。如果在至少一个神经元到通道组合的两个载荷条件下，模型1与其他两个模型相比，尖峰计数方差明显更好地解释了，我们将此神经元纳入了PAC神经元。如果在多个神经元到通道组合中选择神经元，我们在完整模型中选择了最高R2的组合（模型1）。此组合通道后来用于区域内SFC以及FR相关分析。最后，为了确定每个区域所选PAC神经元的数量是否明显高于机会，我们在配对不同，随机选择的试验的尖峰和LFP后重复了整个选择过程，从而破坏了它们与Theta相和伽马振幅的关系。p值表示使用混乱数据的重复比例比使用未示出的数据确定的PAC神经元的原始数量。 　　我们使用带负荷的混合效应GLM作为混杂因素，并为嵌套在患者中的每个PAC神经元到通道组合的随机截距建模（仅使用正确的试验和为每个神经元选择的LFP通道；请参见上文），以检查PAC神经元和PAC的单室估计的FR之间的关系。请注意，逐试的相关性与选择程序无关，因为根据试验平均的theta – gamma相互作用选择了PAC神经元，无论其逐审差异如何。 　　我们研究了同时记录的神经元组之间噪声相关性的影响，对当前牢记的图像类别的人群解码精度和维护期间的WM行为的影响。为了估计类别和PAC神经元对之间的噪声相关性，对于每个神经元，我们在200毫秒的垃圾箱中计数尖刺，这些撑杆在整个维护周期（最后一个图片后偏移后0-2.5 s）中以25 ms的步骤计数。然后，我们在每个试验中为每对神经元中的所有101个时间箱中计算了相关系数，并在每种情况下所有考虑的试验中平均。我们仅使用正确的试验进行此分析，仅配对在同一会话和同一大脑区域内记录的神经元。记录在同一通道上的神经元对不被认为是针对由尖峰排序不准确引起的虚假相关性的预防措施。为了评估神经元对之间的噪声相关性的重要性，我们在条件下（即在首选和非优先类别中以及在每个负载中，将试验标签都在条件下进行，每对中有1,000次，并重新计算了所有对的平均相关系数。然后将原始的平均相关系数与从1,000个试验洗牌获得的所有平均相关系数的分布进行比较（图6A（右））。 　　为了研究PAC神经元对神经元之间的噪声相关性完好无损或去除时的人群类别的贡献，我们使用了以前引入的方法36（图6B）。为了测量单个神经元对神经元集合的解码精度的影响，该方法通过以逐步的方式将每个单个神经元添加到整体中，发现具有最大解码精度的优化神经元合奏。每个神经元对合奏的贡献都可以确定。更详细地，使用线性解码器，首先是根据所有正确试验确定每个区域中每个神经元的解码性能。然后将具有最佳解码性能的神经元与每个剩余的神经元配对，以确定哪个对产生最佳的解码精度。然后，这对最有用的神经元再次与每个剩余的神经元结合在一起，以确定最有用的神经元的三胞胎，依此类推。重复这些步骤，直到所有神经元都是解码合奏的一部分。 　　由于我们对在维护期间从FRS解码图片类别最感兴趣，因此我们仅使用了Load 1的试验。这是因为LOAD 3试验中的维护期包含有关WM中维护的三个不同类别的混合信息。我们在80％的试验上训练了线性支持向量机（SVM）解码器（Fitcecoc.m;一击），并使用Z得分的FRS对剩余的20％进行了测试。为了确保所有五个类别的数据相等数量，我们进行了采样试验，以匹配每个刺激类别中可用的最低试验。神经元之间的噪声相关性是通过使用每个神经元的相同试验或通过在每个类别中的每个神经元进行洗牌试验去除的。每个类别中的改组试验确保原始类别标签保持正确，但神经元之间的相关性被删除。因此，任何纯粹基于类别选择性射击活动的解码益处都不受到影响（图6B（红色））。请注意，如果PAC神经元通过类别信息的“剩余编码”增强了可分解性，那么当通过改组消除噪声相关性时，它们也应该这样做。我们重复了每次解码分析500次，并将结果平均以跨越试验选择的概括。 　　为了测试PAC神经元的影响及其噪声相关性对解码性能的影响，我们首先测试了在每次疗程中达到最大解码性能和区域36之前，在添加到集合中的完整和去除的噪声相关性之间的贡献。因此，该方法测试了单个PAC神经元对神经种群中编码的信息的影响（图6C）。为了确定PAC神经元作为一个组的功能特异性，我们进一步比较了每个疗程中所有PAC神经元之前和之后的最大解码性能。我们为所有至少一个PAC神经元的会话做了这一点，并且在去除所有PAC神经元后留下了至少两个神经元。然后，我们将这种效果与从集合体中删除相同数量的非PAC神经元（在500个随机选择的迭代中平均）进行了比较。 　　我们量化了噪声相关对种群反应几何形状的影响。噪声相关对神经元群体中编码信息的影响取决于信号和噪声轴37之间的角度。为了说明噪声和信号轴之间的角度如何随噪声相关性而变化，我们首先模拟了对两个不同类别的神经元群体的神经反应（请参见图6F，有关两个神经元的模拟，而一个神经元进行了调整，而另一个神经元未经调节为类别）。每个神经元的发射速率是从具有差异的正态分布中得出的。我们为每个类别模拟了200个试验。对于调谐神经元，将变量偏移添加到其中一个类别的平均值中。为了向神经元的种群增加噪声相关性，在每个试验中，我们添加了一个从正常分布的随机数中，以在所有神经元的FRS中添加。为了将我们的模拟与去除噪声相关性的条件进行比较，我们在每个类别中进行了试验，以破坏条件内的噪声相关性，但会使神经元之间的信号相关性完好无损。然后，我们通过在所有神经元的FRS上训练线性SVM分类器并从模型中提取超平面（决策界限）来确定信号轴。信号轴定义为与该平面的向量正交。通过在两个类别中提取数据的第一个主要成分来确定噪声轴。 　　然后，我们量化并比较记录数据中信号和噪声轴之间的角度（图6G）。对于每个录制会话，我们提取了神经元集合的信号和噪声轴，在该集合中，类别解码的差异在去除和完整的噪声相关性之间最大。对于此分析，我们包括了至少有两个海马神经元的所有课程。为了获得信号轴的方向，我们从十个训练有素的二进制SVM分类器中提取了超平面（对80％的数据进行了训练；一对单位解码，请参见上文），并使用QR分解得出了该平面的矢量正交。通过跨类别提取数据的第一个主要成分来确定噪声轴。确定两个向量之间的结果角，然后在所有10个二元学习者和所有500个解码重复中平均，从而分别每节点一个角度，以完整和删除噪声相关性。 　　为了进一步确定PAC神经元的功能特异性，我们将种群响应投射到信号轴上，并确定从完整噪声相关和去除噪声相关之间差异之间的差异之前和之后去除PAC神经元之前和之后的投影值的方差（图6H）。对于所有具有至少一个海马PAC神经元的课程，并且在去除这些集团的所有PAC神经元后离开了至少两个神经元，进行了此分析。分析的基本原理是基于这样的想法：当噪声和信号轴之间的角度很大，反之亦然38时，投影值的方差应该很小。对于每个二元分类器，我们将每个类别的人口响应投射到信号轴上，并确定其S.D.然后，我们将两个类别，所有10个二进制分类器和所有500个迭代的差异进行平均，并在从集合中删除所有PAC神经元之前和之后都测试了完整和去除的噪声相关性之间的差异。 　　为了比较快速和缓慢的RT试验之间的噪声相关性，我们在给定的会话中检查了所有可能的PAC分类单元对（图6i）。我们分析了类别细胞的首选或非偏爱类别的试验，分别在WM中保存。快速和缓慢的RT试验是通过中位数分开来定义的，在每个负载条件下分别计算，然后平均以避免RT中的负载偏置。为了评估快速RT试验与PAC神经元的特异性，我们随机配对的类别神经元与任何其他非PAC神经元，并比较了快速和慢速RT试验之间的噪声相关性（对于n = 162个随机选择的对；与Pac-top-top-toc-toctement-top-top-top-top-top-top-tos-top-cattery Neurron kiake相同）。 　　通过将原始解码精度与随机洗牌类别标签后的1,000个解码精度的分布进行比较，评估了人口解码的重要性（扩展数据图7a）。 　　在本文中，我们使用（基于群集的）非参数置换测试（在eeglab中实现的statcond.m，使用选项“ perm”或ft_freqstatistics.m在现场trip中），也就是说，测试的测试不会对基本分布的假设进行假设，或者对基本分布或混合效果的差异（fitglme.me naterlab in pattic intlab in natlab in natlab in atatlab in natlab in natlab）在这些测试中，进行条件标签的随机排列以估计基本的无效分布，然后将其用于评估效果的统计学意义。我们执行的配对置换t检验等于计算配对条件差异并测试零。所有使用10,000个排列的排列统计数据，除非另有说明，否则对t检验进行了两面测试。基于正态分布计算的相应T和F估计仅作为参考提供。使用Bayesfactor软件包79计算贝叶斯因子。BF01表示H1的H0证据（零假设；条件之间没有证据）。1的值表示H0和H1的同等证据，并且值大于1表示H0超过H1的证据，反之亦然。使用基于群集的置换统计量校正了几个频率测试的SFC估计值，使用基于群集的置换统计量，对于每个单方面群集，在fieldTrip80中实现了10,000个排列和0.025的Alpha水平，这也得到了Bonferroni校正的涉及的测试数量。根据我们是使用Z得分的FRS还是尖峰计数，我们分别基于正常或泊松分布使用了混合效应GLM。最后，图中显示的错误条显示了S.E.M.除非另有说明。 　　有关研究设计的更多信息可在与本文有关的自然投资组合报告摘要中获得。