本文提出了基于贝叶斯方法的神经元钙成像数据中的神经元尖峰信息提取方法，其目的是通过样本化基于噪声的钙成像数据的尖峰列和模型参数 (基线浓度、尖峰幅度等) 的后验分布来实现，提供了离散时间算法和连续时间算法，用于对各个时间点尖峰的存在和数量及其位置的采样，并提供了一些扩展来给出更可靠的分布和估计，以用于更准确地估计潜在的尖峰列和参数，并提供了传统点估计的补充，以便于确定估计中的不确定性。

Nov, 2013

通过 bayesian 模型反演和变分自编码器，提出了一种可快速准确提取神经尖峰的算法框架，以及用于分离钙成像中树突棘背向传播动作电位和可能的突触输入的首个概率方法。

Nov, 2017

本文研究了基于非参数强度函数的脉冲列数据的两类统计分类问题，并导出了最优贝叶斯规则和插值非参数核分类器，证明了核分类器收敛于贝叶斯规则的性质，并通过有限样本模拟研究来支持得出的结果。

Aug, 2023

通过将广义线性模型与柔性基于图的先前知识结合，利用 Polya-gamma 增强的完全贝叶斯推理的方法，可以从神经元的同时记录的 Spike train 数据中推断潜在结构，我们的方法将神经元分类并从相关的 Spike train 中推断电路组织的潜在维度，并通过应用于灵长类视网膜的多神经元记录，揭示了神经元类型和位置的潜在模式。

Oct, 2016

本文介绍了一种快速的非负卷积滤波算法，用于根据荧光观察推断每个神经元的最可能的尖峰火车，仅使用荧光数据即可估算推断所需的所有参数，而无需进行关节电生理和成像校准实验。

Dec, 2009

本文提出利用短期可塑性为脉冲神经网络提供与非脉冲神经网络不同的计算优势，并使用节约的局部突触可塑性模拟温度相关技术来解决网络计算困难性问题。这些网络在处理生成任务时表现出出色性能，在任务不平衡的情况下，它们甚至可以胜过传统算法。

Sep, 2017

本文提出了使用近似贝叶斯计算法 (ABC) 和神经网络来解决单个神经元动态机制模型的建立和参数估计中的挑战，旨在为神经科学家提供一种能够在复杂神经元模型上进行贝叶斯推断的方法。

Nov, 2017

使用贝叶斯熵估计器对神经反应和其他生物数据进行信息论分析，即使在样本较小的欠采样情况下，该估计器的表现也非常出色，这为实验的信息论分析开辟了新的可能性，并可作为从有限数据中学习的例子。

Jun, 2003

本研究基于最大熵理论和马尔可夫假设，以模型为基础实现了对分布式脉冲活动中人口模式出现的预测，并成功优于只考虑成对相关性的伊辛模型。同时，实验数据表明这种方法也适用于慢波睡眠等过程的分析。

Mar, 2009

本文提出了一种基于贝叶斯持续学习框架，以及在线学习规则用于进行神经形态工程，以实现能够适应变化学习任务的特性和风险管理，同时产生良好校准的不确定性估计的真正的神经形态系统的设计。

Aug, 2022