Die Vorstellung, dass die grundlegende Einheit der kortikalen Berechnung nicht das einzelne Neuron, sondern die neuronale Population sei, gewinnt zunehmend an Bedeutung, da die Aufzeichnungstechniken es ermöglichen, die Aktivität immer größerer Zellgruppen zu erfassen. Chronisch implantierte Elektrodenarrays bieten die Möglichkeit, diese Aktivität über mehrere Wochen oder gar Monate hinweg zu verfolgen – eine Voraussetzung für die Untersuchung langfristiger Lernmechanismen. Die Auswertung dieser Daten stößt jedoch auf zwei Schwierigkeiten: einerseits ihre hohe Dimensionalität und andererseits die Drift des Signals im Laufe der Zeit, sei es infolge einer Verschiebung oder einer Verschlechterung der Elektroden oder einer aufgabeninduzierten Plastizität. Hidden-Markov-Modelle (HMM) stellen ein vielversprechendes Werkzeug dar, um diese Aktivität anhand diskreter latenter Zustände zu beschreiben, doch frühere Ansätze berücksichtigten weder die besonderen statistischen Eigenschaften neuronaler Entladungsdaten, noch passten sie sich an longitudinale Daten an oder modellierten die für jede Bedingung spezifischen Unterschiede.
Um diese Einschränkungen zu überwinden, schlagen die Autoren ein mehrstufiges Bayessches HMM vor, das auf drei Innovationen beruht: multivariaten Log-Normal-Poisson-Emissionsverteilungen, einer mehrstufigen Parameterschätzung und der Einführung versuchsspezifischer Bedingungskovariaten. Dieses Rahmenwerk wurde auf Multi-Unit-Entladungsdaten angewendet, die im primären motorischen Kortex von Makaken während einer geführten Aufgabe des Hinlangens nach, Ergreifens und Ablegens eines Objekts aufgezeichnet wurden. Das Modell wurde ausschließlich anhand der Spike-Trains trainiert, ohne jegliche Information über die zeitliche Abfolge der Verhaltensereignisse.
Trotz dieses „blinden“ Lernens identifiziert das Modell Populationszustände, die eng mit den Verhaltensereignissen verknüpft sind: Auslösung der Bewegung, Kontakt mit dem Objekt und Ablegen. Die Statistiken dieser Zustände entsprechen zudem den Dauern der Intervalle zwischen den Ereignissen. Bei beiden Tieren spiegelt ein erster Zustand eine statische Phase geringer Aktivität wider, während ein späterer Zustand mit der Initiierung der Bewegung zusammenfällt; weitere Zustände beziehen sich auf die Ergreif- und Ablegephasen. Der Modellvergleich ergibt sechs Zustände für einen Affen und fünf für den anderen, ein Unterschied, den die Autoren mit stärker ballistischen Bewegungen und einer geringeren Anzahl von Versuchen beim zweiten Tier in Verbindung bringen. Vor allem bleibt die Zuordnung zwischen Zuständen und Verhaltensweisen über mehrere Aufzeichnungstage hinweg konsistent, eine Konsistenz, die ein einstufiges HMM von einer Sitzung zur nächsten nicht zu reproduzieren vermag.
Die Autoren weisen auf mehrere Einschränkungen hin, insbesondere die für HMM charakteristischen Annahmen (nur ein aktiver Zustand zur selben Zeit, Abhängigkeit allein vom aktuellen Zustand), den Rückgriff auf Multi-Unit- statt auf Single-Unit-Aktivität sowie eine leichte Unterschätzung des Anteils der Nullentladungen. Nach ihrer Auffassung eignet sich dieser hier an einer bereits erlernten Aufgabe demonstrierte Ansatz besonders für die langfristige Untersuchung der Plastizität neuronaler Populationen im Kontext des motorischen Lernens.