[论文解读] Online estimation of biophysical neural networks.

Thiago B. Burghi, Rodolphe Sepulchre|arXiv (Cornell University)|Nov 3, 2021

Neural dynamics and brain function参考文献 56被引用 5

一句话总结

本文提出一种基于收缩性设计的自适应观测器，用于在生物物理神经网络模型中在线估计状态和参数，即使在参数动态未知的情况下也能确保鲁棒收敛。该方法实现了实时、稳定的估计，对神经生理建模和实验应用至关重要。

ABSTRACT

This paper presents an adaptive observer for online state and parameter estimation of a broad class of biophysical models of neuronal networks. The design closely resembles classical solutions of adaptive control, and the convergence proof is based on contraction analysis. Our results include robustness guarantees with respect to unknown parameter dynamics. We discuss the potential of the approach in neurophysiological applications.

研究动机与目标

• 开发一种适用于具有未知或时变参数的生物物理神经网络模型的实时估计框架。
• 确保在参数演化不确定或动态变化时，状态与参数估计的收敛性与鲁棒性。
• 实现实验中需要在线推断的神经生理学应用。
• 弥合理论自适应控制与复杂生物物理神经动力学之间的差距。

提出的方法

• 该方法采用受经典自适应控制技术启发的自适应观测器结构。
• 采用收缩性分析正式证明估计误差收敛至零。
• 通过将未知参数动态视为缓慢变化或有界扰动，设计观测器以处理此类动态。
• 该框架适用于广泛类别的生物物理神经网络模型，包括基于电导的整合发放模型和详细腔室模型。
• 观测器利用实时神经活动数据持续更新状态与参数估计。

实验结果

研究问题

• RQ1 能否设计一种自适应观测器，实现在生物物理神经网络中在线估计状态与参数？
• RQ2 当参数随时间演变或初始未知时，如何保证收敛性？
• RQ3 在参数动态下，估计精度与鲁棒性可提供哪些理论保证？
• RQ4 该方法在多大程度上可应用于真实神经生理数据与模型？

主要发现

• 基于收缩性稳定性分析，自适应观测器确保了状态与参数估计误差的全局指数收敛。
• 该方法在无需预先知晓其演化规律的情况下，对未知或时变参数动态提供了鲁棒性保证。
• 该框架适用于广泛类别的生物物理神经网络模型，增强了其通用性。
• 该方法实现了适用于实时神经生理应用（如闭环刺激或神经解码）的在线估计。