神经元脉冲信号的建模与预测是神经科学领域的重要研究问题。通过神经元建模来分析脉冲信号的发放特点,有助于研究学者们更加深刻地理解大脑在执行高级认知任务中的工作方式以及神经信息在不同脑区之间的传递方式,从而对大脑的生理特性有一个更好的认识,乃至建立脑机融合的神经假体。本文通过对猕猴PMd脑区与M1脑区的神经元脉冲信号构建数理统计模型,来定性、定量地分析二者之间的功能联系。PMd脑区与M1脑区在猕猴的高级认知活动中具有重要作用,对这两个脑区的神经元进行建模,有助于研究学者们深入了解两个脑区协同工作的方式细节。脉冲信号建模存在诸多挑战。例如,神经元脉冲信号本身包含非常丰富的信号发放特性,需要模型具备足够强的表达能力来表征脉冲信号的多样性;除此之外,神经元所传送的信息包含在脉冲信号点过程序列之中,需要模型能够针对脉冲信号的点过程特性充分挖掘特征。本文以泊松通用线性模型为基础,针对这几个问题提出了若干改进,全文的贡献点归纳如下:1.本文借鉴集成学习中混合模型的思想,训练若干个弱表征能力的子模型,并对其进行混合构成完整模型,从而增强模型整体的表达能力;2.本文通过将泊松通用模型对应的目标函数由最大化似然函数转化为优化Discrete Time Rescaling Kolmogorov Smirnov统计量,借此增强模型对神经元脉冲信号点过程特性的考量;3.本文通过实验从不同角度验证所提出的模型的预测能力,实验结果表明本文模型在拟合优度角度能够保持一个比较突出的结果,同时模型本身维持着一个较好的生物解释性。