[논문 리뷰] Using persistent homology to reveal hidden information in neural data

Gard Spreemann, Benjamin Dunn외 2명|arXiv (Cornell University)|2015. 10. 22.

Topological and Geometric Data Analysis참고 문헌 32인용 수 15

한 줄 요약

이 논문은 일반선형모형을 통해 알려진 공변량(예: 공간 및 머리 방향 조절)을 제거한 후, 공화행 패턴을 통해 알려지지 않은 신경 코드 특징을 드러내는 휘성 homology 기반 방법을 제안한다. 주요 기여는 자극이 추론된 후에도 자동으로 복원되는 휘성 homology가 알려지지 않은 상태공간의 위상적 구조(예: 고리형 공간 조절)를 복원할 수 있음을 보여주는 것이다.

ABSTRACT

We propose a method, based on persistent homology, to uncover topological properties of a priori unknown covariates of neuron activity. Our input data consist of spike train measurements of a set of neurons of interest, a candidate list of the known stimuli that govern neuron activity, and the corresponding state of the animal throughout the experiment performed. Using a generalized linear model for neuron activity and simple assumptions on the effects of the external stimuli, we infer away any contribution to the observed spike trains by the candidate stimuli. Persistent homology then reveals useful information about any further, unknown, covariates.

연구 동기 및 목표

• 알려진 외부 공변량(예: 공간, 머리 방향)이 존재할 때 신경 활동 데이터의 알려지지 않은 위상적 특징을 밝혀내는 것.
• 기본 상태공간에 대한 사전 지식 없이 스피크 트레인 공화행 패턴에서 숨겨진 신경 코드 특징을 추론하는 방법을 개발하는 것.
• 추론된 공화행 관계의 휘성 homology가 알려지지 않은 신경 표현 공간의 호모토피 유형을 복원할 수 있음을 보여주는 것.
• 기존의 차원 감소 기법(예: 다차원 척도법)과 비교하여, 이 방법이 복잡한 위상적 특징(예: 고리형 구조)을 어떻게 탐지할 수 있는지 검증하는 것.

제안 방법

• 스피크 트레인 데이터에서 알려진 자극(예: 공간 위치, 머리 방향)의 영향을 추론하고 제거하기 위해 일반선형모형(GLM)을 적용한다.
• 시간 창 내에서 뉴런이 발화했는지 여부를 나타내는 이진 스피크 트레인 행렬을 구성한다.
• 스피크 트레인 간의 상관관계를 계산하여 공화행 확률을 추정한다.
• 이 상관관계를 기반으로 가중치가 부여된 그래프를 구축하며, 간선 가중치는 공화행 가능성의 추정치를 나타낸다.
• 가중치가 부여된 그래프에서 플래그 복합체(또는 순서 복합체)를 구성하여 단체 복합체를 형성한다.
• 결과 단체 복합체의 휘성 homology를 계산하여 고리나 빈공간과 같은 위상적 특징을 탐지한다.

실험 결과

연구 질문

• RQ1 알려진 공변량을 제거한 후 휘성 homology가 신경 데이터의 숨겨진 위상적 구조를 탐지할 수 있는가?
• RQ2 장소세포의 공화행 패턴은 그들의 기저 장소영역의 교차 구조를 반영하는가?
• RQ3 스피크 트레인 데이터만으로도 알려지지 않은 상태공간의 호모토피 유형(예: 고리형 공간 조절)을 복원할 수 있는가?
• RQ4 기존의 차원 감소 기법(예: 다차원 척도법)과 비교하여 이 방법은 위상적 특징 탐지에서 어떤 성능을 보이는가?

주요 결과

• 모의 데이터에서 알려진 공간 및 머리 방향 조절 성분을 제거한 후, 휘성 homology가 알려지지 않은 공간 공변량의 고리형 구조를 성공적으로 탐지하였다.
• 공간 조절 성분을 제거한 후, 다차원 척도법은 고리형 구조를 복원하지 못했지만, 휘성 homology는 그 구조를 유지하여 위상 감도 측면에서 뛰어난 성능을 입증하였다.
• 이 방법은 공화행 패턴이 장소영역의 교차를 대체로 반영함을 드러내어, 신경 복합체의 호모토피 유형을 재구성할 수 있음을 보여주었다.
• 이론적 분석 결과, 균일한 랜덤 워크 조건 하에서, 발화 확률이 거리에 따라 단조 감소하는 조건이 충족되면, 추론된 그래프의 휘성 homology는 진정한 상태공간의 그것과 근사함을 보였다.