[论文解读] A Nonparametric Bayesian Approach to Uncovering Rat Hippocampal Population Codes During Spatial Navigation

Scott W. Linderman, Matthew Johnson+2 more|arXiv (Cornell University)|Nov 27, 2014

Bayesian Methods and Mixture Models参考文献 31被引用 6

一句话总结

本文提出一种非参数贝叶斯方法，采用分层狄利克雷过程-隐马尔可夫模型（HDP-HMM）并结合泊松似然函数，从大鼠海马体神经元群体放电活动中推断空间拓扑图，而无需事先知晓场所细胞放电场的信息。该方法通过使用哈密顿蒙特卡洛（HMC）进行超参数推断，相较于变分贝叶斯（VB）和经验贝叶斯MCMC方法，展现出更优的鲁棒性和灵活性，实现了空间导航过程中神经元群体编码的高效解码。

ABSTRACT

Rodent hippocampal population codes represent important spatial information about the environment during navigation. Several computational methods have been developed to uncover the neural representation of spatial topology embedded in rodent hippocampal ensemble spike activity. Here we extend our previous work and propose a nonparametric Bayesian approach to infer rat hippocampal population codes during spatial navigation. To tackle the model selection problem, we leverage a nonparametric Bayesian model. Specifically, to analyze rat hippocampal ensemble spiking activity, we apply a hierarchical Dirichlet process-hidden Markov model (HDP-HMM) using two Bayesian inference methods, one based on Markov chain Monte Carlo (MCMC) and the other based on variational Bayes (VB). We demonstrate the effectiveness of our Bayesian approaches on recordings from a freely-behaving rat navigating in an open field environment. We find that MCMC-based inference with Hamiltonian Monte Carlo (HMC) hyperparameter sampling is flexible and efficient, and outperforms VB and MCMC approaches with hyperparameters set by empirical Bayes.

研究动机与目标

• 开发一种数据驱动的方法，从啮齿类动物海马体神经元群放电活动中推断空间拓扑图，而无需依赖预先标注的场所细胞放电场信息。
• 通过采用非参数贝叶斯框架解决神经编码中的模型选择问题，避免耗时的交叉验证。
• 比较不同贝叶斯推断策略（变分贝叶斯与马尔可夫链蒙特卡洛）在真实与模拟海马体放电数据上的性能表现。
• 评估超参数选择对模型性能的影响，特别是样本量和浓度参数的影响。
• 将方法扩展至处理来自未排序或噪声放电波形的软标签放电数据，提升放电分析中的信息效率。

提出的方法

• 核心模型为分层狄利克雷过程-隐马尔可夫模型（HDP-HMM），可非参数地从放电序列数据中推断代表空间位置的潜在状态数量。
• 在每个时间点，C个场所细胞的放电计数被建模为给定隐藏状态下的条件独立泊松随机变量，其调谐曲线由参数λc,i（细胞c在状态i下的参数）表示。
• HDP先验允许状态数量随数据增长，从而在不固定模型阶数的前提下，灵活建模复杂的神经活动模式。
• 采用两种推断方法：变分贝叶斯（VB）用于确定性近似，以及结合哈密顿蒙特卡洛（HMC）的马尔可夫链蒙特卡洛（MCMC）用于完整贝叶斯推断。
• 在超参数推断中，使用HMC对浓度参数进行采样，相比经验贝叶斯或固定超先验，显著提升了推断的鲁棒性。
• 软标签扩展部分采用高斯混合模型为未排序放电分配概率聚类归属，使似然模型中可允许非整数放电计数。

实验结果

研究问题

• RQ1 非参数贝叶斯模型能否在不依赖场所细胞放电场先验知识的前提下，从海马体神经元群体放电活动中推断出空间拓扑图？
• RQ2 基于HMC的超参数推断的HDP-HMM在解码空间编码方面的性能，与变分贝叶斯和经验贝叶斯MCMC相比如何？
• RQ3 样本量和浓度参数对神经元群体编码中模型选择与推断准确率的影响是什么？
• RQ4 来自未排序或噪声波形的软标签放电数据能否被有效用于HDP-HMM推断，以提升信息效率？
• RQ5 HDP-HMM框架是否能作为固定有限状态HMM的更灵活、更鲁棒的替代方案，用于建模啮齿类动物海马体神经元群体编码？

主要发现

• 基于MCMC的推断方法，结合哈密顿蒙特卡洛（HMC）进行超参数采样，在模拟与实验数据中均实现了最高的解码准确率和预测似然值。
• HDP-HMM优于参数化的有限状态HMM，因其无需交叉验证即可完成模型选择，从而在捕捉复杂神经动力学方面展现出更强的灵活性。
• 基于VB的推断方法准确率低于MCMC，且对超参数初始化敏感，尤其在小样本量条件下表现更明显。
• 经验贝叶斯MCMC的性能劣于基于HMC的MCMC，表明固定超参数会降低真实数据中推断的质量。
• 软标签放电扩展方法成功实现了对非可聚类或噪声放电的整合，表明其在提升放电排序中数据利用率方面具有潜力。
• 低索引的HDP-HMM状态（对应于频繁访问的位置）传递了关于空间位置的最高信息量，与已知的场所细胞特性一致。