[论文解读] Synthesizing realistic neural population activity patterns using Generative Adversarial Networks

Manuel Molano‐Mazón, Arno Onken+2 more|arXiv (Cornell University)|Mar 1, 2018

Neural dynamics and brain function参考文献 34被引用 25

一句话总结

该论文提出Spike-GAN，一种Wasserstein-GAN的变体，通过直接从数据中学习时间与空间相关性，无需对统计特性作先验假设，从而合成逼真的脉冲神经元群体活动。该方法准确再现了一阶与二阶统计特性，并近似了高阶结构，在灵活性与真实感方面优于最大熵与二值化高斯模型，同时支持可解释的特征重要性图谱。

ABSTRACT

The ability to synthesize realistic patterns of neural activity is crucial for studying neural information processing. Here we used the Generative Adversarial Networks (GANs) framework to simulate the concerted activity of a population of neurons. We adapted the Wasserstein-GAN variant to facilitate the generation of unconstrained neural population activity patterns while still benefiting from parameter sharing in the temporal domain. We demonstrate that our proposed GAN, which we termed Spike-GAN, generates spike trains that match accurately the first- and second-order statistics of datasets of tens of neurons and also approximates well their higher-order statistics. We applied Spike-GAN to a real dataset recorded from salamander retina and showed that it performs as well as state-of-the-art approaches based on the maximum entropy and the dichotomized Gaussian frameworks. Importantly, Spike-GAN does not require to specify a priori the statistics to be matched by the model, and so constitutes a more flexible method than these alternative approaches. Finally, we show how to exploit a trained Spike-GAN to construct 'importance maps' to detect the most relevant statistical structures present in a spike train. Spike-GAN provides a powerful, easy-to-use technique for generating realistic spiking neural activity and for describing the most relevant features of the large-scale neural population recordings studied in modern systems neuroscience.

研究动机与目标

• 开发一种灵活、数据驱动的方法，用于生成与经验统计匹配的逼真神经元群体脉冲发放序列，而无需事先指定相关统计特征。
• 克服传统模型（如最大熵与二值化高斯框架）的局限性，这些模型需要明确假设哪些统计量（例如成对相关性）是相关的。
• 利用生成对抗网络（GAN）的深度生成建模方法，以适应现代记录技术产生的大规模复杂神经数据集。
• 通过从训练好的生成器中提取的可解释重要性图谱，识别神经活动中的显著统计模式。
• 通过基于学习到的活动结构生成生物上合理的刺激模式，支持闭环神经调控干预。

提出的方法

• 将Wasserstein-GAN（WGAN）框架适配用于建模神经元群体活动，通过时间维度上的权重共享，实现对时间动态的高效学习。
• 设计一种在神经元间具有密集连接结构、且时间维度共享权重的生成器网络，以保持时空相关性。
• 以对抗方式训练GAN，其中判别器负责区分真实与生成的脉冲发放序列，从而促使生成器产生更逼真的模式。
• 利用生成器的潜在空间，通过扰动潜在码并测量生成活动的变化，计算重要性图谱，识别关键脉冲与模式。
• 将该方法应用于真实的蝾螈视网膜神经数据，验证了其在匹配一阶与二阶统计特性方面的保真度，并近似了高阶结构。
• 与最大熵（MaxEnt）和二值化高斯（DG）模型在统计匹配度与样本真实感方面进行比较，结果表明Spike-GAN在灵活性与泛化能力方面表现更优。

实验结果

研究问题

• RQ1 深度生成模型（如GAN）是否能在不预先假设需匹配哪些统计量的前提下，从神经元群体数据中学习生成逼真的脉冲活动模式？
• RQ2 基于GAN的方法在复杂、非平稳数据中，能否有效再现真实神经元群体活动的一阶、二阶及高阶统计特征？
• RQ3 训练好的GAN是否可通过重要性图谱提取可解释的特征（如显著的脉冲模式），以突出显示最相关的神经活动模式？
• RQ4 与已建立的最大熵与二值化高斯模型相比，基于GAN的方法在生成逼真脉冲发放序列方面的性能如何？
• RQ5 生成的活动模式是否可用于设计生物上合理的闭环神经调控刺激方案？

主要发现

• Spike-GAN成功生成了与蝾螈视网膜真实神经元群体数据在一阶与二阶统计特性上高度匹配的脉冲发放序列。
• 尽管在训练过程中未显式建模或约束高阶统计结构，该模型仍能近似再现数据中存在的高阶统计特征。
• Spike-GAN在灵活性方面优于MaxEnt与DG模型，因其无需事先指定需匹配的统计特征。
• 从训练好的生成器中提取的重要性图谱成功识别出数据中最具显著性的时空模式，突出了关键脉冲与活动模式。
• 该方法能够生成生物上逼真的神经活动模式，可用于设计针对实验干预的靶向刺激方案。
• 该方法在包含数十个神经元的数据集上表现出良好的可扩展性，并受益于深度学习的进展，预示着未来在更大、更复杂的神经记录中具有强大应用潜力。