[论文解读] Sensitivity and specificity of a Bayesian single trial analysis for time varying neural signals

Jeff T. Mohl, Valeria C. Caruso+2 more|PubMed|Jan 30, 2020

Neural dynamics and brain function参考文献 31被引用 9

一句话总结

该论文通过模拟四种响应模式（混合型、中间型、外部型、胜者通吃型）的合成脉冲计数数据，评估了一种贝叶斯单次试验分析方法，用于检测对多种刺激的时间可变神经响应。当试验次数超过20次且放电率差异显著时（例如50Hz vs. 20Hz），该方法在识别响应类型方面的准确率超过97%，表明其在单次试验水平上对波动性神经编码具有高敏感性和特异性。

ABSTRACT

We recently reported the existence of fluctuations in neural signals that may permit neurons to code multiple simultaneous stimuli sequentially across time [1]. This required deploying a novel statistical approach to permit investigation of neural activity at the scale of individual trials. Here we present tests using synthetic data to assess the sensitivity and specificity of this analysis. We fabricated datasets to match each of several potential response patterns derived from single-stimulus response distributions. In particular, we simulated dual stimulus trial spike counts that reflected fluctuating mixtures of the single stimulus spike counts, stable intermediate averages, single stimulus winner-take-all, or response distributions that were outside the range defined by the single stimulus responses (such as summation or suppression). We then assessed how well the analysis recovered the correct response pattern as a function of the number of simulated trials and the difference between the simulated responses to each "stimulus" alone. We found excellent recovery of the mixture, intermediate, and outside categories (>97% correct), and good recovery of the single/winner-take-all category (>90% correct) when the number of trials was >20 and the single-stimulus response rates were 50Hz and 20Hz respectively. Both larger numbers of trials and greater separation between the single stimulus firing rates improved categorization accuracy. These results provide a benchmark, and guidelines for data collection, for use of this method to investigate coding of multiple items at the individual-trial time scale.

研究动机与目标

• 验证贝叶斯单次试验分析在检测多种刺激下波动性神经响应方面的敏感性和特异性。
• 评估该方法在不同实验条件下对已知响应模式（混合型、中间型、外部型、胜者通吃型）的恢复能力。
• 为数据采集提供实证指导，包括最低试验次数和所需放电率差异，以确保可靠的分类。
• 评估当数据偏离理想化模型假设时（特别是非泊松响应分布）该方法的鲁棒性。
• 为将该方法应用于真实电生理数据（尤其是灵长类感觉和运动区域中高放电率的情况）建立基准。

提出的方法

• 基于指定的单刺激条件（A和B）平均放电率，模拟符合泊松过程的合成神经脉冲计数数据集。
• 生成匹配四种假设响应模式之一的双刺激试验响应：混合型（在A和B之间波动）、中间型（稳定平均值）、外部型（相加或抑制）、胜者通吃型（对某一刺激保持一致响应）。
• 使用后验模型概率，通过贝叶斯推断将每个模拟数据集分类为四种响应类别之一。
• 改变关键参数：每种条件下的试验次数（n = 5 至 60），以及单刺激条件下放电率的差异（例如20Hz vs. 50Hz）。
• 通过贝叶斯因子进行模型比较，以确定最可能的响应模式，分类依据为后验概率最高者。
• 通过模拟混合条件参数轻微偏离单刺激响应的情况，测试方法的鲁棒性，并评估误分类率。

实验结果

研究问题

• RQ1 在不同试验次数下，贝叶斯单次试验分析对预设响应模式（混合型、中间型、外部型、胜者通吃型）的分类准确率如何？
• RQ2 为实现每类响应模式的高分类准确率（>90%），所需的最低试验次数和放电率差异是多少？
• RQ3 当实际数据不完全匹配四种假设响应模式时，该方法的表现如何，特别是在模型不匹配的情况下？
• RQ4 当响应分布偏离理想化假设时，该方法在分配‘混合型’假设时的保守程度如何？
• RQ5 在生物学上合理的条件下（例如20次试验、峰值放电率50Hz、40%的放电率差异），该方法能否可靠地在单次试验水平检测到波动性神经编码？

主要发现

• 当试验次数超过20次且放电率差异显著时（例如50Hz vs. 20Hz），贝叶斯单次试验分析对混合型、中间型和外部型响应模式的正确分类准确率超过97%。
• 在相同条件下，胜者通吃型响应模式的分类准确率也超过90%，表明即使对一致的单刺激响应，该方法仍表现出强劲性能。
• 试验次数越多、单刺激放电率差异越大，各类响应模式的分类准确率均显著提高。
• 即使混合条件参数轻微偏离单刺激响应，模型仍保持保守，正确分类远多于错误分类，并能有效避免对混合型假设的误报。
• 在每种条件下有20次试验且相对放电率差异为40%（例如50Hz vs. 30Hz）时，该方法的分类准确率超过95%，表明其在真实电生理数据集中的可行性。
• 低峰值放电率（例如15Hz）即使在试验次数较多时也导致模型性能较弱，表现为后验概率较低，表明高放电率对可靠检测至关重要。