[论文解读] A novel method for determining the phase-response curves of neurons based on minimizing spike-time prediction error

Benjamin Torben-Nielsen, Marylka Yoe Uusisaari+1 more|arXiv (Cornell University)|Jan 4, 2010

Neural dynamics and brain function参考文献 2被引用 3

一句话总结

本文提出了STEP（标准化误差预测）方法，这是一种新颖的方法，通过在离散化相位上使用独立扰动来最小化尖峰时间预测误差，从而估计神经元相位响应曲线（PRC）。该方法在仅需100个左右动作电位、即使在高噪声水平下，也能实现稳健且准确的PRC估计，相比现有方法在收敛性和数据效率方面表现更优。

ABSTRACT

Regular firing neurons can be seen as oscillators. The phase-response curve (PRC) describes how such neurons will respond to small excitatory perturbations. Knowledge of the PRC is important as it is associated to the excitability type of neurons and their capability to synchronize in networks. In this work we present a novel method to estimate the PRC from experimental data. We assume that continuous noise signal can be discretized into independent perturbations at evenly spaced phases and predict the next spike based on these independent perturbations. The difference between the predicted next spike made at every discretized phase and the actual next spike time is used as the error signal used to optimize the PRC. We test our method on model data and experimentally obtained data and find that the newly developed method is robust and reliable method for the estimation of PRCs from experimental data.

研究动机与目标

• 开发一种可靠的方法，从实验神经元数据中估计相位响应曲线（PRC），尤其在高噪声和尖峰数量有限的情况下。
• 解决现有PRC估计方法在依赖时间区间内尖峰时间误差总和时出现的收敛问题。
• 通过在离散相位箱中独立处理扰动，保留时间相位信息，从而提高优化稳定性。
• 在模型神经元和真实实验数据上验证该方法，证明其准确性和鲁棒性。
• 与STA、WSTA或Galan方法等现有技术相比，显著减少可靠PRC估计所需的尖峰数量。

提出的方法

• 将峰间间隔离散化为N个相位箱（例如100个箱），以0到2π表示神经元的振荡周期。
• 对于每个相位箱φj，将下一个尖峰时间预测为ŝi,j = si−1 + x(t(φj)) · z(φj)，其中x(t)为注入的波动电流，z(φj)为候选PRC。
• 对每个尖峰i和相位箱j，计算误差信号Ei,j = √(ŝi,j − si)²，以保留相位特异性预测误差。
• 通过最小二乘法优化所有尖峰和相位箱上的总误差，求解PRC参数（傅里叶系数a和b）。
• 使用截断傅里叶级数近似PRC：z(φ) ≈ Σₙ₌₀³ [aₙ sin(nφ) + bₙ cos(nφ)]。
• 利用误差信号迭代优化PRC直至收敛，避免先前方法中因时间上误差总和而导致的收敛困难。

实验结果

研究问题

• RQ1 能否开发一种PRC估计方法，使其在尖峰数量更少、噪声水平更高的情况下仍能可靠收敛，优于现有方法？
• RQ2 与误差总和方法相比，保留相位特异性尖峰时间预测误差是否能提高PRC估计的准确性和鲁棒性？
• RQ3 STEP方法能否在持续波动电流注入下，准确恢复模型神经元中的已知PRC类型（如II型）？
• RQ4 该方法在小鼠皮层锥体神经元的真实实验数据上表现如何？其估计的PRC在子采样数据中是否具有可重复性？
• RQ5 与现有成熟方法相比，STEP方法可靠估计PRC所需的最小尖峰数是多少？

主要发现

• 在高噪声水平下，STEP方法在模型神经元中成功恢复了正确的PRC类型（II型），即使在持续波动电流下亦然。
• 仅使用100个尖峰，STEP方法即可生成稳定且准确的PRC估计，与需要480至7000个尖峰的其他方法相比，显著降低了数据需求。
• 从小鼠层2/3锥体神经元实验数据中估计的PRC在多个子样本（半数据PRC）中保持一致，表明其可靠性且过拟合风险低。
• 该方法对高噪声振幅（高达100 pA）具有鲁棒性，在其他方法无法收敛的情况下仍能保持准确的PRC估计。
• 通过STEP方法估计的PRC与直接方法（使用短暂电流脉冲）获得的结果高度一致，验证了其准确性。
• 使用相位分辨误差信号可避免时间信息丢失，并实现比以往基于优化的方法更快的收敛速度。