[논문 리뷰] Direct extraction of phase dynamics from fluctuating rhythmic data based on a Bayesian approach

Kaiichiro Ota, Toshio Aoyagi|arXiv (Cornell University)|2014. 05. 16.

Neural dynamics and brain function참고 문헌 2인용 수 10

한 줄 요약

이 논문은 복잡한 기계적 모델이 필요 없이 노이즈가 있는 변동성이 큰 리듬적 시계열 데이터로부터 직접 단서 역학을 추출하기 위한 베이지안 통계 방법을 제안한다. 단서 진동자 모델을 생성 과정으로 간주하고, 결합 함수, 천연 주파수, 노이즈 강도 등의 모수를 베이지안 추론을 통해 추정함으로써, 조건이 비대칭인 뉴런 네트워크에서도 높은 정확도로 상호작용 함수를 성공적으로 복원한다. 이는 대규모 시스템에서도 성립한다.

ABSTRACT

Employing both Bayesian statistics and the theory of nonlinear dynamics, we present a practically efficient method to extract a phase description of weakly coupled limit-cycle oscillators directly from time series observed in a rhythmic system. As a practical application, we numerically demonstrate that this method can retrieve all the interaction functions from the fluctuating rhythmic neuronal activity exhibited by a network of asymmetrically coupled neurons. This method can be regarded as a type of statistical phase reduction method that requires no detailed modeling, and as such, it is a very practical and reliable method in application to data-driven studies of rhythmic systems.

연구 동기 및 목표

• 세부적인 역학 모델에 의존하지 않고 변동성이 있는 시계열 데이터로부터 단서 역학을 추론할 수 있는 실용적인 방법을 개발하는 것.
• 기존의 단서 축소 기법이 계산적으로 비가능한 고차원 비선형 시스템의 과제를 해결하는 것.
• 베이지안 통계를 활용하여 리듬 시스템에서 상호작용 함수와 천연 주파수를 데이터 기반으로 추론하는 것.
• 비대칭으로 결합된 네트워크에서 노이즈가 있는 뉴런 활동으로부터 상호작용 함수를 복원하는 데에 이 방법의 강건성을 입증하는 것.

제안 방법

• N개의 결합된 진동자들의 단서 역학을 관측 불확실성을 포함한 확률적 미분 방정식으로 기술함으로써, 표준 단서 모델을 관측 불확실성까지 일반화한다.
• 관측된 시계열 데이터로부터 결합 함수 Γij(Δϕ), 천연 주파수 ωi, 노이즈 강도 Di에 대한 사후 분포를 추론하기 위해 베이지안 프레임워크를 사용한다.
• 결합 함수 Γij(Δϕ)는 비모수적 추론을 가능하게 하기 위해 잘린 푸리에 급수 전개로 표현된다.
• 마르코프 체인 몬테카를로(MCMC) 샘플링을 사용하여 사후 분포를 탐색하고 모델의 모수, 포함하여 결합 함수를 추정한다.
• 이 방법은 세부 모델이 필요 없이 데이터에 직접 단서 모델을 피팅함으로써, 통계적 단서 축소 방법이 된다.
• 관측치의 노이즈는 평균이 0이고 분산이 2Di인 독립적인 가우시안 화이트 노이즈 항 ηi(t)를 통해 처리된다.

실험 결과

연구 질문

• RQ1 기본 시스템의 세부 모델을 구성하지 않고도 변동성이 있는 리듬적 데이터로부터 단서 역학을 신뢰성 있게 추출할 수 있는가?
• RQ2 노이즈가 있는 시계열 데이터로부터 비대칭으로 결합된 뉴런 네트워크에서 베이지안 추론이 진짜 결합 함수를 얼마나 정확하게 복원할 수 있는가?
• RQ3 이 방법은 복잡한 리듬 네트워크에서 상호작용의 방향성과 이질성을 어느 정도 유지하는가?
• RQ4 이 방법은 다양한 뉴런 유형과 다양한 결합 강도를 가진 대규모 네트워크를 다룰 수 있는가?

주요 결과

• 7개 뉴런으로 구성된 네트워크에서 진짜 결합 함수 Γij(Δϕ)를 성공적으로 복원하였으며, 추정된 함수는 노이즈가 존재하는 상황에서도 기준값과 매우 유사하게 나타났다.
• 20개 뉴런(16개 히든-후크리-후크리, 4개의 빠른 스파이크)으로 구성된 더 큰 네트워크에서는 결합의 존재성, 방향성, 이질성을 정확히 식별하였지만, 결합 함수의 세부 사항은 부분적으로 흐려졌다.
• 추정된 결합 함수의 사후 평균은 흥분성 연결과 억제성 연결을 명확히 구분하며, 이는 각각의 기능적 형태의 특성을 반영한다.
• 노이즈에 대한 강건성을 입증하였으며, 노이즈 강도를 감소시켜(σV = 0.1) 20개 뉴런 네트워크에서 추정 정확도가 향상되었다.
• 베이지안 접근법을 통해 ωi, Di, Γij(Δϕ)를 포함한 모든 모델 모수를 시스템의 세부 역학에 대한 사전 지식 없이 직접 데이터로부터 신뢰성 있게 추론할 수 있었다.