[논문 리뷰] Conditional Modeling and the Jitter Method of Spike Re-sampling: Supplement

Asohan Amarasingham, Matthew Tom Harrison외 2명|arXiv (Cornell University)|2011. 11. 18.

Neural dynamics and brain function참고 문헌 92인용 수 7

한 줄 요약

이 보충자료는 조건부 모델링과 잼블 기반 스파이크 재샘플링에 대한 본문 논문의 기술적 확장 제공하며, 가설 검정, p-값, 그리고 방향 조정 곡선에 대한 커널 밀도 추정에 중점을 둔다. 원형 데이터를 위한 워핑된 가우시안 커널 밀도 추정기법을 도입하고, 패턴 잼블링이 우도 비율 조정 곡선에서 통계적 유의성을 유지함을 보여주며, 동시에 수용 구간을 통해 귀무가설 하에서의 강건성을 확인한다.

ABSTRACT

This technical report accompanies the manuscript "Conditional Modeling and the Jitter Method of Spike Re-sampling." It contains further details, comments, references, and equations concerning various simulations and data analyses presented in that manuscript, as well as a self-contained Mathematical Appendix that provides a formal treatment of jitter-based spike re-sampling methods.

연구 동기 및 목표

• 잼블 기반 스파이크 재샘플링 및 조건부 모델링에 관해 본문 논문에서 생략된 기술적 확장과 형식적 유도를 제공하기 위해.
• 특히 재샘플링에서의 '잼블'과 내재된 스파이크 타이밍 변동성 간의 차이를 명확히 하기 위해 용어 정의를 명확히 하기 위해.
• 신경 데이터에서 통계적 유의성을 평가하기 위한 가설 검정 절차, p-값 및 임계 영역을 형식화하기 위해.
• 방향 조정 곡선과 같은 원형 변수에 대해 워핑된 가우시안 커널 밀도 추정기법을 개발하고 적용하기 위해.
• 패턴 잼블링을 통해 우도 비율 조정 곡선의 강건성을 동시에 수용 구간과 p-값 임계값을 사용하여 검증하기 위해.

제안 방법

• 스피크 타이밍의 원형 확률 분포를 모델링하기 위해 밴드위드 σ = 0.1 라디안을 사용하는 워핑된 가우시안 커널 밀도 추정기법을 사용한다.
• 주기성을 확보하기 위해 다음 변환을 적용한다: $ \widehat{P}(D=d) = \frac{1}{|\mathcal{D}|} \sum_{u \in \mathcal{D}} \sum_{\ell=-\infty}^{\infty} \frac{1}{\sigma} \phi\left(\frac{d - u + 2\pi\ell}{\sigma}\right) \mathds{1}\{d \in [-\pi, \pi)\} $.
• 신경 세포 쌍으로부터 잼블된 스파이크 트레인을 사용하여 조건부 확률 $ \widehat{P}(D=d|S_{i,j}=1) $ 를 추정하고, 우도 비율 조정 곡선 $ \widehat{\theta}_{i,j}(d) = \widehat{P}(D=d|S_{i,j}=1) / \widehat{P}(D=d) $ 를 계산한다.
• 삼중조의 모든 스파이크 트레인을 독립적으로 잼블하여 패턴 잼블링을 적용하고, 귀무분포를 평가하기 위해 1000개의 서rogate 데이터셋을 생성한다.
• 다중성 문제를 고려하기 위해 $ \log \widehat{\theta}(d) $ 에 대해 同시 수용 구간을 구축하고, 지수 변환을 통해 원래 척도로 해석한다.
• 동시 검정을 사용하여 유의성 여부를 평가하며, 귀무가설 하에서 전체 조정 곡선이 95% 신뢰 수준로 구간 내에 있을 가능성이 있다.

실험 결과

연구 질문

• RQ1 방향 조정 곡선과 같은 원형 데이터에 대해 커널 밀도 추정을 어떻게 적응시킬 수 있는가?
• RQ2 잼블된 서rogate 데이터 하에서 우도 비율 조정 곡선에 대해 동시에 신뢰 구간을 구성하는 데 적절한 방법은 무엇인가?
• RQ3 패턴 잼블링은 원래 데이터와 비교해 조정 곡선 추정의 통계적 유의성을 유지하는가?
• RQ4 p-값과 임계 영역은 신경 스파이크 트레인 분석에서 가설 검정 평가와 어떻게 관련되는가?
• RQ5 모델 잘못 지정이 신경 데이터의 시험 간 변동성 해석에 어떤 영향을 미치는가?

주요 결과

• 워핑된 가우시안 커널 밀도 추정기법은 ±π 근처에서 경계 편향을 최소화하면서 신경 스파이크 타이밍의 방향 선호도를 효과적으로 모델링한다.
• 우도 비율 조정 곡선 $ \widehat{\theta}_{i,j}(d) $ 는 강한 방향 의존성을 보이며, 자극 방향에 따라 상당한 변동성을 보인다.
• 지점별 수용 구간을 초월하는 局소적 이격이 있었음에도 불구하고, 세 신경 세포 쌍 모두에 대해 동시에 검정은 귀무가설을 기각하지 않았다.
• 로그 척도에서 구성된 동시에 수용 구간은 역변환을 통해 원래 척도에서 해석되며, 귀무가설 하에서 전체 조정 곡선이 적어도 95% 확률로 이 구간 내에 존재함을 보장한다.
• 패턴 잼블링은 추정된 조정 곡선에 상당한 변동성을 유도하지만, 귀무가설은 여전히 기각되지 않아 관측된 동기화 패턴이 우연에 의해 쉽게 설명되지 않는다는 것을 시사한다.
• 고도의 시험 간 변동성 존재하더라도 이 방법은 의미 있는 방향 조정 곡선과 무작위 변동성 간의 구분을 성공적으로 수행한다.