[论文解读] Notes on Generalized Linear Models of Neurons

Jonathon Shlens|arXiv (Cornell University)|Apr 8, 2014

Neural Networks and Applications参考文献 6被引用 5

一句话总结

本文提出了一种广义线性模型（GLM）框架，通过对数线性条件强度函数将刺激输入、动作电位历史和网络相互作用联系起来，用于建模神经元放电活动。其主要贡献是一种可处理的、基于最大似然估计的方法，能够高效推断感受野、不应期以及神经元群体水平的相关性。

ABSTRACT

Experimental neuroscience increasingly requires tractable models for analyzing and predicting the behavior of neurons and networks. The generalized linear model (GLM) is an increasingly popular statistical framework for analyzing neural data that is flexible, exhibits rich dynamic behavior and is computationally tractable (Paninski, 2004; Pillow et al., 2008; Truccolo et al., 2005). What follows is a brief summary of the primary equations governing the application of GLM's to spike trains with a few sentences linking this work to the larger statistical literature. Latter sections include extensions of a basic GLM to model spatio-temporal receptive fields as well as network activity in an arbitrary numbers of neurons.

研究动机与目标

• 为响应感觉刺激和网络动力学的神经元放电活动提供一种可处理的统计框架。
• 将基本泊松模型扩展，通过刺激滤波器和动作电位历史滤波器引入时间依赖性。
• 通过引入神经元间突触后滤波器，建模神经元群体中的相关活动。
• 通过基于梯度的优化方法，实现模型参数的高效最大似然估计。
• 通过利用Hessian矩阵结构中的条件独立性，支持多神经元群体的并行拟合。

提出的方法

• 使用时变非齐次泊松过程对脉冲列进行建模，其条件强度为 $\lambda_t$。
• 将条件强度表示为 $\lambda_t = \exp(\mathbf{k} \cdot \mathbf{x}_t + \mathbf{h} \cdot \mathbf{y}_t + \mu)$，其中 $\mathbf{k}$、$\mathbf{h}$ 和 $\mu$ 分别为刺激、历史和偏置滤波器。
• 将对数似然函数表述为 $\mathcal{L}(\theta) = \sum_{t:\text{spike}} \log \lambda_t - \Delta \sum_t \lambda_t + c$，其中 $\theta = \{\mathbf{k}, \mathbf{h}, \mu\}$。
• 通过引入神经元间的突触后脉冲滤波器 $\mathbf{h}_{ij}$，将模型扩展至群体，使得 $\lambda_i = \exp(\mathbf{k}_i \cdot \mathbf{x} + \sum_j \mathbf{h}_{ij} \cdot \mathbf{y}_j + \mu_i)$。
• 推导优化所需的梯度和Hessian分量，由于线性关系，不同神经元参数之间的交叉项为零。
• 通过利用Hessian矩阵中参数块的条件独立性，实现各神经元参数的独立与并行拟合。

实验结果

研究问题

• RQ1 广义线性模型如何用于将神经元放电与刺激历史、放电历史及网络活动相关联？
• RQ2 连接函数在将输入的线性组合转换为有效条件强度方面起什么作用？
• RQ3 GLM如何在不假设条件独立性的情况下捕捉神经元群体中的相关活动（如同步放电）？
• RQ4 在神经建模中，使用具有可处理对数似然的极大似然估计有何计算优势？
• RQ5 Hessian矩阵结构在何种程度上实现了多神经元GLM参数的高效且并行的拟合？

主要发现

• 该GLM框架通过结合刺激滤波器、放电历史滤波器和对数线性连接函数，成功建模了神经元放电，生成了条件有效的强度函数。
• 对数似然具有解析可处理性，适用于基于梯度的优化，从而实现了模型参数的高效最大似然估计。
• 引入神经元间的突触后脉冲滤波器 $\mathbf{h}_{ij}$ 后，模型能够捕捉超出共同刺激驱动的同步放电等相关活动。
• Hessian矩阵中不同神经元参数之间的交叉项为零，使得每个神经元的参数可独立并行拟合。
• 通过利用Hessian矩阵的结构，模型显著降低了群体水平推断的复杂度，实现了计算效率的提升。
• 该框架已成功应用于视网膜、运动皮层、视觉皮层和海马体的神经活动建模，展示了其在系统神经科学中的广泛适用性。