[论文解读] A Generalized Rate Model for Neuronal Ensembles

Hideo Hasegawa|arXiv (Cornell University)|Mar 20, 2007

Neural dynamics and brain function参考文献 6被引用 3

一句话总结

本文提出了一种基于有限-N朗之万框架的神经元群广义速率模型，结合加法和乘法噪声，通过福克-普朗克方程和增广矩方法（AMM）分析稳态与动态特性。关键贡献在于证明了群体速率编码比单神经元编码更可靠，其原因在于 $ρ \sim \gamma/N$，其中 $ρ$ 为全局波动，$γ$ 为局部波动，且 AMM 预测结果与脉冲和正弦输入下的直接模拟结果高度一致。

ABSTRACT

There has been a long-standing controversy whether information in neuronal networks is carried by the firing rate code or by the firing temporal code. The current status of the rivalry between the two codes is briefly reviewed with the recent studies such as the brain-machine interface (BMI). Then we have proposed a generalized rate model based on the {\it finite} $N$-unit Langevin model subjected to additive and/or multiplicative noises, in order to understand the firing property of a cluster containing $N$ neurons. The stationary property of the rate model has been studied with the use of the Fokker-Planck equation (FPE) method. Our rate model is shown to yield various kinds of stationary distributions such as the interspike-interval distribution expressed by non-Gaussians including gamma, inverse-Gaussian-like and log-normal-like distributions. The dynamical property of the generalized rate model has been studied with the use of the augmented moment method (AMM) which was developed by the author [H. Hasegawa, J. Phys. Soc. Jpn. 75 (2006) 033001]. From the macroscopic point of view in the AMM, the property of the $N$-unit neuron cluster is expressed in terms of {\it three} quantities; $μ$, the mean of spiking rates of $R=(1/N) \sum_i r_i$ where $r_i$ denotes the firing rate of a neuron $i$ in the cluster: $γ$, averaged fluctuations in local variables ($r_i$): $ρ$, fluctuations in global variable ($R$). We get equations of motions of the three quantities, which show $ρ\sim γ/N$ for weak couplings. This implies that the population rate code is generally more reliable than the single-neuron rate code. Our rate model is extended and applied to an ensemble containing multiple neuron clusters.

研究动机与目标

• 解决长期以来关于神经信息在神经网络中是通过发放率还是时间编码进行传递的争议。
• 开发一种统一的速率模型，以捕捉有限尺寸神经元群的稳态与动态特性。
• 研究在噪声和有限尺寸效应存在的情况下，群体速率编码与单神经元速率编码的可靠性差异。
• 将模型扩展至多簇系统，特别是包含兴奋性和抑制性神经元群的广义威尔逊-科恩模型。

提出的方法

• 构建一个包含加法和乘法噪声的有限-N单元朗之万模型，以描述神经元簇的放电动力学。
• 应用福克-普朗克方程（FPE）分析发放间隔的稳态分布，得出非高斯形式，如伽马分布、类逆高斯分布和类对数正态分布。
• 采用增广矩方法（AMM）推导出三个关键变量的宏观运动方程：平均发放率（$\mu$）、局部波动（$\gamma$）和全局波动（$\rho$）。
• 通过在平均值附近展开并保留二阶累积量，推导出 $\mu_m$、$\gamma_m$ 和 $\rho_{mn}$ 的耦合微分方程，从而实现对集体动力学的分析。
• 将 AMM 预测结果与脉冲和正弦输入下的直接模拟（DS）结果进行对比，验证其准确性，显示高度一致。
• 将模型扩展至多簇群集系统，特别是通过加权耦合项和外部输入的兴奋性与抑制性神经元双簇系统。

实验结果

研究问题

• RQ1 在噪声作用下，有限尺寸神经元群的稳态发放间隔分布如何产生，其形式是什么？
• RQ2 神经元群中局部波动（$\gamma$）与全局群体波动（$\rho$）之间存在何种关系，该关系如何影响编码可靠性？
• RQ3 增广矩方法（AMM）在预测神经元簇对外部输入（如脉冲和正弦信号）的动态响应方面，其准确性如何？
• RQ4 当将广义速率模型扩展至多簇系统（如兴奋性-抑制性神经元群）时，其性能表现如何？

主要发现

• 广义速率模型产生的稳态发放间隔分布包含非高斯形式，如伽马分布、类逆高斯分布和类对数正态分布，与实验观测结果一致。
• AMM 表明，在弱耦合条件下，全局波动 $\rho$ 与 $\gamma/N$ 成正比，表明群体速率编码在本质上比单神经元速率编码更可靠。
• AMM 预测的模型对脉冲和正弦输入的动态响应与直接模拟（DS）结果高度一致。
• 该模型成功将威尔逊-科恩框架推广至多簇群集系统，为双簇系统中全局速率的均值、方差和协方差推导出明确的运动方程。
• $\mu_m$、$\gamma_m$ 和 $\rho_{mn}$ 的推导方程包含了速率函数 $F$ 的非线性项、噪声项 $\alpha_m^2$ 和 $\beta_m^2$ 以及耦合权重 $w_{mn}$ 的贡献，从而实现对集体动力学的定量分析。