[论文解读] Point process models for sequence detection in high-dimensional neural spike trains

Alex H. Williams, Anthony Degleris+2 more|arXiv (Cornell University)|Oct 9, 2020

Animal Vocal Communication and Behavior参考文献 34被引用 13

一句话总结

该论文提出了一种贝叶斯点过程模型（PP-Seq），用于在高维动作电位序列中无监督检测神经序列，将序列发生建模为连续时间内的标记点过程。通过实现不确定性量化、连续时间建模以及可学习的时间压缩，PP-Seq 在序列检测精度和可变时长序列建模方面优于卷积非负矩阵分解（convNMF），在斑鸠 HVC 和啮齿动物海马体数据上的验证表明其性能更优。

ABSTRACT

Sparse sequences of neural spikes are posited to underlie aspects of working memory, motor production, and learning. Discovering these sequences in an unsupervised manner is a longstanding problem in statistical neuroscience. Promising recent work utilized a convolutive nonnegative matrix factorization model to tackle this challenge. However, this model requires spike times to be discretized, utilizes a sub-optimal least-squares criterion, and does not provide uncertainty estimates for model predictions or estimated parameters. We address each of these shortcomings by developing a point process model that characterizes fine-scale sequences at the level of individual spikes and represents sequence occurrences as a small number of marked events in continuous time. This ultra-sparse representation of sequence events opens new possibilities for spike train modeling. For example, we introduce learnable time warping parameters to model sequences of varying duration, which have been experimentally observed in neural circuits. We demonstrate these advantages on experimental recordings from songbird higher vocal center and rodent hippocampus.

研究动机与目标

• 为解决现有方法（如 convNMF）的局限性，例如需要对动作电位进行离散化处理、使用次优的最小二乘拟合方法，且缺乏不确定性估计。
• 开发一种连续时间、完全概率化的模型，将神经序列表示为时间上的稀疏标记事件，以实现对单个动作电位的精细分析。
• 通过引入可学习的时间压缩参数，实现对可变时长序列的建模，反映神经回路中的实验观测结果。
• 提升在高维数据中无监督检测神经序列的能力，尤其当线性降维方法失效时。
• 提供一种可扩展且可解释的框架，用于在多电极记录中发现重叠的、非冗余的神经序列基序。

提出的方法

• PP-Seq 模型将神经序列表示为标记点过程，其中序列事件在连续时间 τk 处发生，每个事件触发与神经元相关的响应模式，且具有时间抖动的偏移量。
• 将动作电位时间建模为泊松过程，其强度函数为 λ(t) = λ⁰ + ∑k ∑n wn,r ⋅ f(t - τk - bnr)，其中 f 为响应核函数，bnr 为神经元特异的时间偏移量。
• 模型采用分层贝叶斯先验，对序列振幅、背景发放率和响应宽度参数采用伽马分布，以实现不确定性量化。
• 通过引入一种灵活且可学习的函数对时间因子 h 进行时间压缩，提出一种新颖的时间压缩机制，从而实现对可变时长序列的建模。
• 后验推断采用吉布斯采样与梅特罗波利斯-黑斯廷斯分裂-合并移动相结合的方法，并使用退火马尔可夫链蒙特卡洛（MCMC）以提升混合效率和收敛性。
• 通过在合成数据上进行 ROC 分析，以及在真实海马体和斑鸠数据上进行超参数搜索，对模型进行评估，并与 convNMF 进行比较。

实验结果

研究问题

• RQ1 连续时间、完全贝叶斯的点过程模型是否能在检测神经序列方面优于离散化、基于最小二乘法的方法（如 convNMF）？
• RQ2 该模型能否准确恢复序列事件发生时间与振幅，并对这些估计值的不确定性进行量化？
• RQ3 引入可学习的时间压缩参数是否能提升对神经数据中观测到的可变时长序列的建模能力？
• RQ4 在真实高维神经记录数据中，当线性方法无法捕捉序列动态时，该模型的性能如何？
• RQ5 由于时间偏移导致的模型弱可识别性在多大程度上影响性能？在评估中应如何缓解这一问题？

主要发现

• 在合成数据上，PP-Seq 在序列检测准确率方面显著优于 convNMF，经最优时间偏移校正后，曲线下面积（AUC）提高 15%。
• 该模型成功捕捉了斑鸠 HVC 数据中的重叠神经序列，揭示的序列基序与已知的行为和解剖学约束一致。
• 在啮齿动物海马体记录中，PP-Seq 检测重现事件的精度高于 convNMF，尤其在信噪比较低的条件下表现更优。
• 引入可学习的时间压缩机制使模型能够适应可变时长序列，显著提升了实验数据中的拟合度与可解释性。
• 后验分布提供的不确定性估计揭示了序列事件发生时间与振幅的可靠置信区间，支持稳健推断。
• 超参数搜索表明，该模型对序列振幅、背景发放率和响应宽度的变化具有鲁棒性，在多种参数设置下均保持稳定性能。