综述：使用隐马尔可夫模型解释神经和行为数据

《Brain Research》：Interpreting neural and behavioral data using Hidden Markov Models

　　

摘要
神经活动和行为的测量正变得越来越精细，产生出日益庞大的多维数据集。然而，这些测量仅能提供对复杂大脑运作的一瞥。许多信息仍然是隐藏的。隐马尔可夫模型(HMMs)是从行为、神经记录或两者的结合中推断未观察到的脑状态信息的通用工具。HMMs及其扩展已被频繁且成功地用于神经科学中的这一目的。HMM描述了一个马尔可夫过程，其中隐藏状态之间相互转换，并生成依赖于当前状态的观测数据。HMMs特别适用于缺乏固定试验结构的自然行为范式，并能提供对动物内部状态的可解释见解。在这篇综述中，研究人员介绍了HMMs的一般框架，并解释了如何实现它们。研究人员全面回顾了HMMs如何应用于神经和行为数据，以及行为或神经活动中识别的隐藏状态如何用于理解神经处理过程。研究人员重点介绍了HMMs为行为和感知背后的脑过程提供见解的示例研究。研究人员强调特定的数据属性或研究问题如何促使不同的建模选择。研究人员还讨论了HMMs与用于潜在状态发现的替代方法之间的关系。

1. Introduction
论文首先指出，神经活动和行为的测量日益精细，产生大量多维数据，但复杂大脑的内部状态仍大部分隐藏。隐马尔可夫模型（HMMs）是从行为、神经记录或两者结合中推断未观测脑状态的通用工具，尤其适合缺乏固定试验结构的自然行为范式。本文旨在介绍HMM的基本框架、实现方法及其在神经科学中的应用，重点说明不同数据属性和研究问题如何驱动模型选择，并讨论HMM与替代潜在状态发现方法的关系。

2. Hidden Markov Model
HMM由两个随机过程组成：一个隐藏的马尔可夫过程描述有限状态集随时间的变化，由固定转移概率支配；另一个观测过程根据当前状态按概率分布发出观测值。定义离散HMM（DHMM）需确定状态数N、观测符号数M、符号集V、转移概率矩阵A、发射概率矩阵B和初始概率向量π。连续HMM（CHMM）的发射分布可采用高斯混合模型（GM-HMM）或单一高斯分布（G-HMM）。HMM解决三个核心问题：评价问题（前向算法计算观测序列概率）、解码问题（Viterbi算法寻找最可能的隐藏状态序列）和学习问题（Baum-Welch算法等优化模型参数）。应用HMM的步骤包括：预处理（选择时间尺度、降维、离散化或采用CHMM）、模型选择与初始化（选择状态数N、初始化转移和发射概率）、训练（多次初始化避免局部最优）、状态推断（局部后验概率或全局Viterbi解码）以及验证与模型检查（检查状态可解释性、与独立变量相关性、使用信息准则比较模型）。常用HMM库包括MATLAB PMTK3、Python hmmlearn和ssm、R depmixS4等。

3. HMMs and neural data
HMM用于从神经时间序列推断脑状态动态。脑状态定义为神经活动空间中的点簇。在大尺度脑网络方面：fMRI数据中，高斯HMM（G-HMM）识别动态功能连接模式，揭示不同脑网络及其层次组织；EEG/MEG数据中，自回归HMM（AR-HMM）建模频谱和相干性随时间变化，区分健康与疾病状态。在神经元集群层面：两状态HMM检测神经活动的开/关（On/Off）扰动；在试验结构范式中，HMM解码任务相关状态（如决策、运动准备）；在自然行为中，切换线性动态系统（SLDS）结合因子分析和AR-HMM，处理高维噪声数据，并通过多级扩展、递归扩展和输入-输出扩展解释个体差异和外部调节。选择HMM类型需考虑数据维度、噪声、协变量和研究目标；更复杂的模型未必更优，需权衡参数数量与可解释性。替代方法包括高斯过程因子分析（GPFA）、潜在因子分析动态系统（LFADS）、对比行为相关嵌入（CEBRA）等，各有利弊。

4. HMMs and behavioral data
HMM用于分割行为序列并发现潜在结构。行为具有层次性，HMM可推断行为状态或内部状态。从预定义的行为基序序列中，HMM能识别深度与浅度探究状态（小鼠）、探索与利用状态（斑马鱼）、游荡与栖息状态（线虫）等。在感觉运动映射中，GLM-HMM将每个隐藏状态与一个广义线性模型（GLM）关联，建模状态依赖的感觉运动模式（如果蝇求偶鸣声）。识别行为基序的方法包括：从原始数据出发的MoSeq（AR-HMM）、BehaveNet（卷积自编码器+AR-HMM）和VAME（变分自编码器+HMM）；从参数化数据出发的Keypoint-MoSeq（SLDS）和层次HMM（HHMM）。选择HMM类型取决于数据类型（如深度图像、姿态数据）和研究目标（如短时基序或长时行为状态）。非HMM替代方法如B-Soid、CAPTURE等，它们通过降维和聚类标注基序，但不利用序列时间结构。

5. HMMs combining neural and behavioral data
HMM用于关联神经活动与行为。从神经数据推断行为状态：例如，对前额叶皮层群体活动进行高斯过程因子分析（GPFA）预处理后，HMM解码大鼠捉迷藏游戏的阶段；在脑机接口（BCI）中，HMM提升解码速度并检测神经活动转换。从行为状态推断神经相关：MoSeq识别的运动基序与背外侧纹状体神经元活动及多巴胺释放相关；斑马鱼探索/利用状态对应的脑宽振荡网络及中缝核调制；小鼠探究状态中中缝核抑制性神经元活动降低，失活后导致更多刻板行为；下丘脑的不同抑制性输入分别调控攻击动机和动作阶段。BehaveNet利用HMM的生成特性构建贝叶斯解码器，从神经活动重建行为视频。

6. Discussion
综述总结HMM在神经科学的应用：从神经数据推断脑状态动态，从行为数据提取结构，并联合两者揭示脑与行为的关系。HMM的马尔可夫假设和独立性假设虽与实际不完全相符，但可通过扩展（如AR-HMM、SLDS、HHMM）部分缓解。模型选择需平衡灵活性与可解释性，防止过拟合。开源库（如MoSeq、ssm）促进了HMM的广泛应用和可重复性。HMM作为通用工具，在探索大脑与行为的复杂性中展现出巨大潜力。