[논문 리뷰] Conditional probability based significance tests for sequential patterns in multi-neuronal spike trains

P. S. Sastry, Unnikrishnan Kuzhiumparambil|ArXiv.org|2008. 08. 26.

Neural dynamics and brain function인용 수 9

한 줄 요약

이 논문은 다중 뉴런 스파이크 트레인에서 통계적으로 유의미한 순차적 발화 패턴을 탐지하기 위해 조건부 확률 기반의 유의미성 검정을 제안한다. 이는 뉴런 간 약한 의존성을 고려한 복합 귀무가설을 사용한다. 스파이크 수 분포를 모델링하고 검정 통계량을 유도함으로써, 자동 임계값 설정과 패턴 순위 매기기가 가능해지며, 검증 결과 20초 간의 데이터만으로도 조건부 확률 척도에서 0.2의 차이가 나는 연결 강도를 신뢰성 있게 탐지할 수 있다.

ABSTRACT

In this paper we consider the problem of detecting statistically significant sequential patterns in multi-neuronal spike trains. These patterns are characterized by ordered sequences of spikes from different neurons with specific delays between spikes. We have previously proposed a data mining scheme to efficiently discover such patterns which are frequent in the sense that the count of non-overlapping occurrences of the pattern in the data stream is above a threshold. Here we propose a method to determine the statistical significance of these repeating patterns and to set the thresholds automatically. The novelty of our approach is that we use a compound null hypothesis that includes not only models of independent neurons but also models where neurons have weak dependencies. The strength of interaction among the neurons is represented in terms of certain pair-wise conditional probabilities. We specify our null hypothesis by putting an upper bound on all such conditional probabilities. We construct a probabilistic model that captures the counting process and use this to calculate the mean and variance of the count for any pattern. Using this we derive a test of significance for rejecting such a null hypothesis. This also allows us to rank-order different significant patterns. We illustrate the effectiveness of our approach using spike trains generated from a non-homogeneous Poisson model with embedded dependencies.

연구 동기 및 목표

• 다중 뉴런 스파이크 트레인에서 특정 간격의 스파이크 순서로 정의된 통계적으로 유의미한 순차적 발화 패턴을 탐지하기 위해.
• 스파이크 데이터에서 진정한 기능적 연결성과 무작위적 동시 발생을 구별하는 데 도전하는 데, 특히 뉴런 간 약한 의존성이 존재할 경우를 고려하기 위해.
• 사용자 지정 주파수 절단값에 의존하지 않고도 자동으로 유의미성 임계값을 설정할 수 있는 방법을 개발하기 위해.
• 통계적 유의미성에 따라 탐지된 패턴을 순위 매김함으로써 생물학적으로 의미 있는 순서를 식별할 수 있도록 하기 위해.
• 다른 패턴 유형(예: 동기화 또는 순서 정렬된 발화)으로도 확장 가능한 일반화된 확률적 프레임워크를 제공하기 위해.

제안 방법

• 이 방법은 뉴런 간 약한 의존성을 표현하기 위해 모든 이원 및 삼중 조건부 발화 확률을 제한하는 복합 귀무가설을 사용한다.
• 스파이크 수 계산 과정을 확률적 과정으로 모델링하여 귀무가설 하에서 패턴 수의 평균과 분산을 해석적으로 계산한다.
• 계수 분포의 첫 번째 두 모멘트를 사용하여 검정 통계량을 도출함으로써, 이상하게 높은 수의 패턴을 가진 경우 귀무가설을 기각할 수 있다.
• 검정 통계량을 사용하여 p-값을 계산하고, 이는 통계적 유의미성 기반으로 자동 임계값 선택과 패턴 순위 매기기를 가능하게 한다.
• 조건부 확률의 범위와 패턴 수 정의를 조정함으로써, 다양한 크기와 유형의 패턴(예: 동기화 발화, 순서 정렬된 시퀀스)을 처리하기 위해 프레임워크를 확장한다.
• 기존의 시간적 데이터 마이닝 알고리즘을 활용하여 스트리밍 스파이크 데이터에서 에피소드 탐지에 효과적으로 적용할 수 있으며, 비균일 포아송 모델에 임베디드된 의존성을 가진 합성 스파이크 트레인을 통해 검증되었다.

실험 결과

연구 질문

• RQ1 약한 뉴런 간 의존성을 고려한 다중 뉴런 스파이크 트레인의 순차적 패턴에 대해 통계적 유의미성 검정을 개발할 수 있는가?
• RQ2 조건부 확률을 사용하여 독립 뉴런뿐만 아니라 약한 의존성을 가진 뉴런까지 포함하는 귀무가설을 어떻게 수립할 수 있는가?
• RQ3 뉴런 상호작용 강도(조건부 확률로 측정)와 순차적 패턴 탐지 가능성 사이의 관계는 무엇인가?
• RQ4 사용자 지정 주파수 임계값이 필요 없이도 유의미성 임계값을 자동으로 설정할 수 있는가?
• RQ5 조건부 확률 척도에서 0.2의 작은 차이가 나는 연결 강도를 어느 정도로 정확히 구분할 수 있는가?

주요 결과

• 약한 의존성을 포함한 복합 귀무가설 하에서 패턴 수의 평균과 분산을 모델링함으로써, 이 방법은 순차적 패턴을 통계적으로 유의미하게 탐지할 수 있었다.
• 배경 속도가 20 Hz인 20초 간의 스파이크 데이터를 사용하여, 조건부 확률 척도에서 0.2의 차이가 나는 연결 강도를 신뢰성 있게 구분할 수 있었다.
• 임계값보다 0.2 낮은 연결 강도에서 계수 분포의 평균 + 3표준편차 범위가 여전히 임계값 이하에 위치해 있어, 강력한 탐지 능력을 보였다.
• 이 방법은 통계적 유의미성에 따라 패턴을 신뢰성 있게 순위 매길 수 있어 생물학적으로 타당한 순서를 우선순위로 정렬하는 데 기여한다.
• 프레임워크는 일반적이며, 조건부 확률의 범위와 패턴 정의를 수정함으로써 동기화 발화 또는 순서 정렬된 시퀀스와 같은 다른 패턴 유형으로도 적용 가능하다.
• 이 방법은 계산적으로 효율적이고 확장 가능하며, 스트리밍 스파이크 데이터에서 에피소드 탐지에 기존의 시간적 데이터 마이닝 기법을 활용한다.