[论文解读] NREM and REM: cognitive and energetic gains in thalamo-cortical sleeping and awake spiking model

Chiara De Luca, Leonardo Tonielli+9 more|arXiv (Cornell University)|Nov 13, 2022

EEG and Brain-Computer Interfaces被引用 5

一句话总结

本研究提出了一种基于生物学机制的双区域丘脑皮层脉冲神经网络模型，用于模拟非快速眼动（NREM）和快速眼动（REM）睡眠周期，以探究其对认知表现和能效的影响。该模型表明，睡眠诱导的突触可塑性可增强记忆表征，分别将放电率和突触活动降低5%和50%，并将总能耗降低17%，而不会损害分类准确率，同时还能实现新型多区域关联并提升睡眠后的任务表现。

ABSTRACT

Sleep is essential for learning and cognition, but the mechanisms by which it stabilizes learning, supports creativity, and manages the energy consumption of networks engaged in post-sleep task have not been yet modelled. During sleep, the brain cycles between non-rapid eye movement (NREM), a mainly unconscious state characterized by collective oscillations, and rapid eye movement (REM), associated with the integrated experience of dreaming. We propose a biologically grounded two-area thalamo-cortical plastic spiking neural network model and investigate the role of NREM - REM cycles on its awake performance. We demonstrate that sleep has a positive effect on energy consumption and cognitive performance during the post-sleep awake classification task of handwritten digits. NREM and REM simulated dynamics modify the synaptic structure into a sharper representation of training experiences. Sleep-induced synaptic modifications reduce firing rates and synaptic activity without reducing cognitive performance. Also, it creates novel multi-area associations. The model leverages the apical amplification, isolation and drive experimentally grounded principles and the combination of contextual and perceptual information. In summary, the main novelty is the proposal of a multi-area plastic model that also expresses REM and integrates information during a plastic dream-like state, with cognitive and energetic benefits during post-sleep awake classification.

研究动机与目标

• 构建一个生物上合理的神经网络模型，以模拟NREM和REM睡眠阶段对认知表现和能效的影响。
• 探究睡眠诱导的突触可塑性是否能够改善睡眠后的记忆表征和分类准确率。
• 量化神经活动的能量消耗，并评估睡眠如何在不牺牲性能的前提下降低功耗。
• 探索睡眠在形成新型多区域关联以及整合情境和感知信息中的作用。
• 将模型性能与加权KNN基线进行验证，特别是在双眼和单眼感知场景下的表现。

提出的方法

• 采用自适应指数积分-放电（AdEx）神经元模型和脉冲时序依赖可塑性（STDP）构建了一个可塑的双区域丘脑皮层脉冲神经网络。
• 通过施加不同的动力学特性来模拟NREM和REM睡眠状态：基于实验性脑电图（EEG）模式，NREM阶段表现为慢波振荡，REM阶段表现为θ波段活动。
• 使用加权KNN算法评估分类性能，包含两种变体：KNN-1D（独立处理左右半视野）和KNN-2D（整合双眼处理）。
• 能量消耗被建模为基底代谢、动作电位生成和突触活动的函数：$ P = b + e\cdot\nu + c\cdot\omega $，总功率估算为 $ P_{\text{state}} \approx B + E\nu_{\text{state}} + C\omega_{\text{state}} $。
• 模型比较了睡眠前、NREM后、REM后及完整睡眠后的功率和性能指标，使用MNIST手写数字数据集进行分类任务。
• 分析模拟睡眠期间的突触修饰对放电率、突触活动和网络效率的影响。

实验结果

研究问题

• RQ1 NREM和REM睡眠动力学如何影响丘脑皮层网络在睡眠后的认知表现？
• RQ2 睡眠在多大程度上降低了能耗，同时保持或提升分类准确率？
• RQ3 睡眠诱导的突触可塑性是否能实现更清晰的记忆表征并降低神经活动，而不会造成性能损失？
• RQ4 睡眠期间左右半视野输入的整合如何影响分类表现？
• RQ5 REM睡眠在形成新型多区域关联和巩固记忆表征中扮演何种角色？

主要发现

• 模型在睡眠后实现了17%的总功耗降低，主要归因于放电率降低5%和突触活动减少50%。
• 尽管神经活动减少，睡眠后的分类准确率仍保持较高水平，表明突触效率提升而性能未下降。
• 睡眠诱导的突触可塑性使记忆表征更加清晰，增强了网络区分相似训练样本的能力。
• 模型表明，REM睡眠有助于整合情境和感知信息，支持新型多区域关联的形成。
• KNN-2D的性能接近双眼感知的理论上限，表明当丘脑皮层分类接近最优时，左右半视野的整合效果良好。
• 模型性能与加权KNN基线高度一致，验证了其生物学合理性与功能相关性。