[论文解读] Direct extraction of phase dynamics from fluctuating rhythmic data based on a Bayesian approach

Kaiichiro Ota, Toshio Aoyagi|arXiv (Cornell University)|May 16, 2014

Neural dynamics and brain function参考文献 2被引用 10

一句话总结

该论文提出了一种贝叶斯统计方法，可直接从噪声大、波动剧烈的周期性时间序列中提取相位动力学，而无需依赖详细的机制模型。通过将相位振子模型视为生成过程，并利用贝叶斯推断来推断其参数——包括耦合函数、自然频率和噪声强度——该方法在大规模系统中对非对称耦合神经元网络的相互作用函数实现了高精度恢复。

ABSTRACT

Employing both Bayesian statistics and the theory of nonlinear dynamics, we present a practically efficient method to extract a phase description of weakly coupled limit-cycle oscillators directly from time series observed in a rhythmic system. As a practical application, we numerically demonstrate that this method can retrieve all the interaction functions from the fluctuating rhythmic neuronal activity exhibited by a network of asymmetrically coupled neurons. This method can be regarded as a type of statistical phase reduction method that requires no detailed modeling, and as such, it is a very practical and reliable method in application to data-driven studies of rhythmic systems.

研究动机与目标

• 开发一种实用方法，无需依赖详细的动力学模型，即可从波动时间序列中推断相位动力学。
• 解决传统相位约化在高维、非线性系统中计算不可行的挑战。
• 利用贝叶斯统计实现基于数据的耦合函数和自然频率推断，适用于周期性系统。
• 展示该方法在从非对称耦合网络中噪声神经活动数据中恢复相互作用函数方面的鲁棒性。

提出的方法

• 该方法将N个耦合振子的相位动力学建模为带有噪声的随机微分方程，将标准相位模型推广以包含观测不确定性。
• 采用贝叶斯框架，从观测时间序列数据中推断耦合函数Γij(Δϕ)、自然频率ωi和噪声强度Di的后验分布。
• 通过截断傅里叶级数展开表示耦合函数Γij(Δϕ)，以实现其函数形式的非参数推断。
• 使用马尔可夫链蒙特卡洛（MCMC）采样来探索后验分布并估计模型参数，包括耦合函数。
• 该方法通过直接将相位模型拟合到数据，避免了对详细模型的依赖，因此是一种统计相位约化方法。
• 通过独立的零均值、方差为2Di的高斯白噪声项ηi(t)来建模观测中的噪声。

实验结果

研究问题

• RQ1 在不构建底层系统详细模型的情况下，能否可靠地从波动周期性数据中提取相位动力学？
• RQ2 贝叶斯推断在从噪声时间序列数据中恢复非对称耦合神经元网络的真实耦合函数方面，其精度如何？
• RQ3 该方法在多大程度上能够保持复杂周期性网络中相互作用的方向性和异质性？
• RQ4 该方法能否处理具有多种神经元类型和不同耦合强度的大型网络？

主要发现

• 在七个神经元的网络中，该方法成功恢复了真实的耦合函数Γij(Δϕ)，即使在存在噪声的情况下，估计函数也与真实值高度吻合。
• 在更大的20个神经元网络（16个Hodgkin-Huxley型和4个快放电型）中，该方法准确识别出耦合的存在性、方向性和异质性，尽管耦合函数的细微细节部分模糊。
• 推断耦合函数的后验均值清晰区分了兴奋性与抑制性连接，反映出其不同的功能形式。
• 该方法对噪声具有鲁棒性，在20个神经元网络中，降低噪声强度（σV = 0.1）可提高估计精度。
• 贝叶斯方法能够直接从数据中可靠推断所有模型参数——包括ωi、Di和Γij(Δϕ)，而无需事先了解系统详细的动力学。