[论文解读] Measuring Shared Information and Coordinated Activity in Neuronal Networks

Kristina Lisa Klinkner, Cosma Rohilla Shalizi+1 more|arXiv (Cornell University)|Jun 7, 2005

Neural dynamics and brain function参考文献 11被引用 10

一句话总结

本文提出信息一致性（informational coherence），一种衡量神经协调性的新方法，通过分析从动作电位序列数据重建的动力学状态，量化神经网络中共享的信息。与传统的相关性或同步性度量不同，该方法能够捕捉非线性、时间延展的活动模式，在伽马和贝塔节律的生物物理模型中，表现出对协调性群体活动更优的检测能力，尽管贝塔节律的全局信息含量更高，但其一致性也更高。

ABSTRACT

Most nervous systems encode information about stimuli in the responding activity of large neuronal networks. This activity often manifests itself as dynamically coordinated sequences of action potentials. Since multiple electrode recordings are now a standard tool in neuroscience research, it is important to have a measure of such network-wide behavioral coordination and information sharing, applicable to multiple neural spike train data. We propose a new statistic, informational coherence, which measures how much better one unit can be predicted by knowing the dynamical state of another. We argue informational coherence is a measure of association and shared information which is superior to traditional pairwise measures of synchronization and correlation. To find the dynamical states, we use a recently-introduced algorithm which reconstructs effective state spaces from stochastic time series. We then extend the pairwise measure to a multivariate analysis of the network by estimating the network multi-information. We illustrate our method by testing it on a detailed model of the transition from gamma to beta rhythms.

研究动机与目标

• 开发一种稳健的多变量神经协调度量方法，以捕捉动作电位序列活动中的非线性、随机性和时间延展模式。
• 克服传统成对相关性与互相关性在检测神经元呈现相位锁定或延迟放电模式时的协调活动方面的局限性。
• 提供一种实用方法，利用多电极记录数据量化大规模神经网络中的信息共享。
• 利用网络多元信息与树近似方法，将成对度量扩展至全局网络层面分析。

提出的方法

• 使用一种新近开发的状态空间重构算法，从随机动作电位序列时间序列中重构有效动力学状态空间。
• 将信息一致性定义为两个神经元重构动力学状态之间的归一化互信息，以捕捉预测性和非线性依赖关系。
• 采用Chow-Liu树近似方法，从多变量动作电位序列数据中估计全局网络多元信息与整体网络一致性。
• 将该方法应用于基于导纳的、生物物理细节丰富的海马CA1网络活动模型，模拟伽马（30–80 Hz）与贝塔（12–30 Hz）节律之间的转换。
• 将信息一致性与标准零滞后互相关性进行比较，以评估其在检测协调性神经元群体方面的性能。
• 使用谱相干性与互信息作为基线比较，突出所提方法在捕捉扩展时间模式方面的优势。

实验结果

研究问题

• RQ1 当传统成对相关性无法捕捉动作电位模式中非线性与时间延展关系时，如何测量神经网络中的协调活动？
• RQ2 信息一致性在检测神经数据中群体水平协调性方面，相较于标准的二阶统计量（如互相关性）有多大的优越性？
• RQ3 在生物物理上合理的模型中，共享信息的度量在伽马与贝塔节律转换等不同神经状态之间如何变化？
• RQ4 即使存在动力学噪声，信息一致性是否能可靠检测神经元的功能分组（如锥体细胞与中间神经元群体）？
• RQ5 全局网络多元信息与一致性估计如何反映状态转换期间网络范围信息共享的变化？

主要发现

• 信息一致性在伽马与贝塔节律期间均成功识别出协调的神经元群块（如锥体细胞与中间神经元），即使相位锁定或延迟放电模式使互相关性结果模糊不清。
• 伽马节律下的平均信息一致性为0.411，贝塔节律下上升至0.614，表明在较慢节律中成对协调性更强。
• 伽马节律期间的全局网络多元信息估计为3243.7比特，贝塔节律期间上升至7377.7比特，反映出更活跃状态下的总信息含量更高。
• 尽管总信息量增加，贝塔节律下全局网络一致性从0.777略微下降至0.742，表明虽然信息量更大，但网络整体协调性略有降低。
• 信息一致性在检测功能分组方面优于零滞后互相关性与表面互信息，尤其在存在相位偏移与噪声时表现更优。
• 该方法对动力学噪声具有鲁棒性，能有效捕捉活动的扩展时间模式，验证了其在分析分布式神经编码中的实用性。