[논문 리뷰] A Nonparametric Bayesian Approach to Uncovering Rat Hippocampal Population Codes During Spatial Navigation

Scott W. Linderman, Matthew Johnson외 2명|arXiv (Cornell University)|2014. 11. 27.

Bayesian Methods and Mixture Models참고 문헌 31인용 수 6

한 줄 요약

이 논문은 장소 필드에 대한 사전 지식 없이 쥐 해마의 신경군 맥박 활동에서 공간적 위상적 지도를 추론하기 위해 계층적 디리클레 프로세스-숨은 마르코프 모델(HDP-HMM)과 포아송 우도를 사용하는 비모수 베이지안 접근법을 제안한다. 하이퍼파ram터 추론에 해밀토니안 몽테카를로(HMC)를 사용함으로써 변분 베이즈(VB)와 경험 베이즈 MCMC보다 우수한 성능을 보이며, 공간 탐색 중 신경군 코드의 강건하고도 융통성 있는 디코딩을 실현한다.

ABSTRACT

Rodent hippocampal population codes represent important spatial information about the environment during navigation. Several computational methods have been developed to uncover the neural representation of spatial topology embedded in rodent hippocampal ensemble spike activity. Here we extend our previous work and propose a nonparametric Bayesian approach to infer rat hippocampal population codes during spatial navigation. To tackle the model selection problem, we leverage a nonparametric Bayesian model. Specifically, to analyze rat hippocampal ensemble spiking activity, we apply a hierarchical Dirichlet process-hidden Markov model (HDP-HMM) using two Bayesian inference methods, one based on Markov chain Monte Carlo (MCMC) and the other based on variational Bayes (VB). We demonstrate the effectiveness of our Bayesian approaches on recordings from a freely-behaving rat navigating in an open field environment. We find that MCMC-based inference with Hamiltonian Monte Carlo (HMC) hyperparameter sampling is flexible and efficient, and outperforms VB and MCMC approaches with hyperparameters set by empirical Bayes.

연구 동기 및 목표

• 장소 필드 정보를 사전 레이블링하지 않고도 쥐 해마의 군집 맥박 활동에서 공간적 위상적 지도를 드러내는 데이터 기반 방법을 개발하기 위해.
• 시간이 많이 소요되는 교차검증을 피하기 위해, 고정된 모델 순서 없이 복잡한 신경 활동 패턴을 모델링할 수 있는 비모수 베이지안 프레임워크를 활용하여 신경 코드에서의 모델 선택 문제를 해결하기 위해.
• 실제 및 시뮬레이션된 해마 맥박 데이터에서 다양한 베이지안 추론 전략—변분 베이즈(VB)와 마르코프 체인 몽테카를로(MCMC)—의 성능을 비교하기 위해.
• 표본 크기와 농도 파라미터와 같은 하이퍼파ram터 선택이 모델 성능에 미치는 영향, 특히 모델 선택과 추론 정확도에 미치는 영향을 평가하기 위해.
• 정렬되지 않은 또는 노이즈가 있는 맥박 웨이브폼에서 유래한 소프트-레이블링된 맥박 데이터를 처리할 수 있도록 방법을 확장하여, 맥박 분류에서의 정보 효율성을 향상시키기 위해.

제안 방법

• 핵심 모델은 맥박 트레인 데이터로부터 은닉 상태로 나타나는 공간 위치의 잠재 상태 수를 비모수적으로 추론하는 계층적 디리클레 프로세스-숨은 마르코프 모델(HDP-HMM)이다.
• 각 시간점에서 C개의 장소 세포에서의 맥박 수는 은닉 상태 조건 하에 조건부 독립적인 포아송 랜덤 변수로 모델링되며, 세포 c가 상태 i에 있을 때의 조정 곡선은 λc,i로 매개변수화된다.
• HDP 사전분포는 상태 수가 데이터에 따라 증가할 수 있도록 해주며, 고정된 모델 순서 없이 복잡한 신경 활동 패턴을 탄력적으로 모델링할 수 있게 한다.
• 두 가지 추론 방법이 사용된다: 결정론적 근사에 사용되는 변분 베이즈(VB)와 전체 베이지안 추론에 사용되는 마르코프 체인 몽테카를로(MCMC)에 기반한 해밀토니안 몽테카를로(HMC).
• 하이퍼파ram터 추론을 위해 HMC가 사용되어 농도 파라미터를 샘플링함으로써 경험 베이즈 또는 고정된 하이퍼프리어와 비교해 더 강건한 성능을 달성한다.
• 소프트-레이블링 확장은 비정규화된 스파이크에 대해 확률적 군집 소속을 부여하기 위해 혼합 정규분포 모델을 사용하며, 우도 모델에 비정수 맥박 수를 허용한다.

실험 결과

연구 질문

• RQ1 비모수 베이지안 모델은 장소 필드에 대한 사전 지식 없이 해마의 군집 맥박 활동에서 공간적 위상적 지도를 추론할 수 있는가?
• RQ2 HMC 기반 하이퍼파ram터 추론을 사용한 HDP-HMM의 성능은 변분 베이즈와 경험 베이즈 MCMC에 비해 공간 코드 디코딩에서 어떻게 비교되는가?
• RQ3 표본 크기와 농도 파라미터는 신경군 코드에서의 모델 선택과 추론 정확도에 어떤 영향을 미치는가?
• RQ4 정렬되지 않은 또는 노이즈가 있는 웨이브폼에서 유래한 소프트-레이블링된 맥박 데이터는 HDP-HMM 추론에 효과적으로 활용될 수 있는가? 이를 통해 정보 효율성이 향상되는가?
• RQ5 HDP-HMM 프레임워크는 고정된 유한 상태 수를 가진 HMM에 비해 더 유연하고 강건한 대안을 제공하는가?

주요 결과

• 하이퍼파라미터 샘플링에 해밀토니안 몽테카를로(HMC)를 사용하는 MCMC 기반 추론이 시뮬레이션 및 실험 데이터 양쪽에서 가장 높은 디코딩 정확도와 예측 우도를 달성했다.
• HDP-HMM은 교차검증이 필요 없는 점을 고려할 때, 유한 상태 수를 가진 파rametric HMM보다 뛰어나며, 더 복잡한 신경 동역학을 포괄하는 데 더 큰 유연성을 제공한다.
• VB 기반 추론 방법은 MCMC에 비해 정확도가 떨어졌으며, 특히 표본 수가 적은 영역에서 하이퍼파라미터 초기화에 민감함을 보였다.
• 경험 베이즈 MCMC는 HMC 기반 MCMC보다 성능이 열 劣하였으며, 이는 실제 데이터에서 고정된 하이퍼파라미터가 추론 품질을 떨어뜨린다는 것을 시사한다.
• 소프트-레이블링된 맥박 확장은 비군집화되거나 노이즈가 있는 맥박들을 분석에 효과적으로 통합할 수 있음을 입증하였으며, 맥박 분류에서의 데이터 활용도 향상 잠재력을 보여준다.
• 낮은 색인을 가진 HDP-HMM 상태들은 자주 방문되는 위치를 나타내며, 공간 위치에 대한 정보를 가장 높게 담고 있었으며, 알려진 장소 세포의 특성과 일치하였다.