Alt, Bastian ; Messer, Michael ; Roeper, Jochen ; Schneider, Gaby ; Koeppl, Heinz (2018)
Non-Parametric Bayesian Inference for Change Point Detection in Neural Spike Trains.
2018 IEEE Statistical Signal Processing Workshop (SSP 2018). Freiburg im Breisgau, Germany (10.06.2018-13.06.2018)
doi: 10.1109/SSP.2018.8450787
Konferenzveröffentlichung, Bibliographie
Kurzbeschreibung (Abstract)
We present a model for point processes with gamma distributed increments. We assume a piecewise constant latent process controlling shape and scale of the distribution. For the discrete number of states of the latent process we use a non-parametric assumption by utilizing a Chinese restaurant process (CRP). For the inference of such inhomogeneous gamma processes with an unbounded number of states we do Bayesian inference using Markov Chain Monte Carlo. Finally, we apply the inference algorithm to simulated point processes and to empirical spike train recordings, which inherently possess non-stationary and non-Poissonian behavior.
| Typ des Eintrags: | Konferenzveröffentlichung |
|---|---|
| Erschienen: | 2018 |
| Autor(en): | Alt, Bastian ; Messer, Michael ; Roeper, Jochen ; Schneider, Gaby ; Koeppl, Heinz |
| Art des Eintrags: | Bibliographie |
| Titel: | Non-Parametric Bayesian Inference for Change Point Detection in Neural Spike Trains |
| Sprache: | Englisch |
| Publikationsjahr: | 30 August 2018 |
| Verlag: | IEEE |
| Veranstaltungstitel: | 2018 IEEE Statistical Signal Processing Workshop (SSP 2018) |
| Veranstaltungsort: | Freiburg im Breisgau, Germany |
| Veranstaltungsdatum: | 10.06.2018-13.06.2018 |
| DOI: | 10.1109/SSP.2018.8450787 |
| URL / URN: | https://ieeexplore.ieee.org/document/8450787 |
| Kurzbeschreibung (Abstract): | We present a model for point processes with gamma distributed increments. We assume a piecewise constant latent process controlling shape and scale of the distribution. For the discrete number of states of the latent process we use a non-parametric assumption by utilizing a Chinese restaurant process (CRP). For the inference of such inhomogeneous gamma processes with an unbounded number of states we do Bayesian inference using Markov Chain Monte Carlo. Finally, we apply the inference algorithm to simulated point processes and to empirical spike train recordings, which inherently possess non-stationary and non-Poissonian behavior. |
| Freie Schlagworte: | Inhomogeneous Gamma Process; Bayesian Non-Parametrics; Neural Spike Trains; Change Points |
| Fachbereich(e)/-gebiet(e): | 18 Fachbereich Elektrotechnik und Informationstechnik 18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Nachrichtentechnik > Bioinspirierte Kommunikationssysteme 18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Nachrichtentechnik DFG-Sonderforschungsbereiche (inkl. Transregio) DFG-Sonderforschungsbereiche (inkl. Transregio) > Sonderforschungsbereiche Zentrale Einrichtungen Zentrale Einrichtungen > Centre for Cognitive Science (CCS) DFG-Sonderforschungsbereiche (inkl. Transregio) > Sonderforschungsbereiche > SFB 1053: MAKI – Multi-Mechanismen-Adaption für das künftige Internet DFG-Sonderforschungsbereiche (inkl. Transregio) > Sonderforschungsbereiche > SFB 1053: MAKI – Multi-Mechanismen-Adaption für das künftige Internet > B: Adaptionsmechanismen DFG-Sonderforschungsbereiche (inkl. Transregio) > Sonderforschungsbereiche > SFB 1053: MAKI – Multi-Mechanismen-Adaption für das künftige Internet > B: Adaptionsmechanismen > Teilprojekt B4: Planung |
| Hinterlegungsdatum: | 26 Apr 2018 22:35 |
| Letzte Änderung: | 23 Sep 2021 14:33 |
| PPN: | |
| Export: | |
| Suche nach Titel in: | TUfind oder in Google |
 |
Frage zum Eintrag |
Optionen (nur für Redakteure)
 |
Redaktionelle Details anzeigen |
Drucken
Impressum