sparse-representation:L1最小化在表示稀疏神经数据中的应用

概述 这个压缩感测项目用于表示（压缩）和分析神经元数据，这本质上很复杂。 数据来自使用灵长类动物的犹他州阵列，紧凑的10x10矩阵的电记录尖峰，可以通过外科手术将其植入大脑。 神经元数据的主要问题在于其大小：仅需记录几分钟，该阵列就可以收集数百万个数据点。 通过对数据做出某些逻辑假设（即数据本身是稀疏的），我们能够使用L1 Magic应用l1最小化技术，L1 Magic是解决诸如l1最小化之类的优化问题的函数库。 这些技术使我们可以使用很小的样本量（少于数据的20％）来代表原始数据记录，而误差最小。 换句话说，我们可以仅使用20％或更少的数据点来重新创建原始数据的估算值。 这可能是由于神经元信号的分布方式所致：大多数点（超过90％）接近零，因为没有接收到信号。 然后传送一个动作电位，即代表神经元动作的信号尖峰被传送，并且该值在短时间内急剧尖峰。 这是数据稀疏性的一个示例，并解释了为什么