多单元重复放电模式的质量度量

《Biological Cybernetics》：A quality measure for repeating multiple-unit spike patterns

　　

研究人员针对多神经元记录中的时空放电模式（spatio-temporal spike patterns，STPs）提出一种质量度量。在此类记录中常发现重复的STP或模式重复（pattern repetitions，PRs），其中许多由偶然因素产生。为排除偶然模式，已有统计检验用于区分不可能与较可能的PRs。该统计问题因PR存在若干显著质量准则（如模式大小即脉冲数、出现次数）而复杂化。研究人员提出一种典范方法，将若干准则（收集于模式的所谓签名中）基于模式的“不可能性”合并为单一质量度量。该度量经数学定义，并推导出平稳脉冲序列下的计算公式，可用于比较PRs。由于实践中脉冲序列非平稳，研究人员针对两组实验数据讨论平稳公式与模拟所得定义质量度量的相关程度。虽计算值偶有偏差，但平稳公式或更简单的相关公式仍可作为质量“代理”用于比较PRs，以及用于规避多准则多重检验问题的统计检验。基于结果，研究人员提出若干检验统计量（即具有适当零假设分布的多单元脉冲序列空间上的随机变量），以更少计算和采样代价评估STPs。

研究背景与问题提出

在神经生理学研究中，理解大脑神经元激活如何表征外部世界是核心目标之一。早期研究多关注单神经元脉冲序列与感觉刺激的相关，后续逐渐转向多神经元交互，尤其是正相关的放电活动被视为神经元交互的生理指标。然而，随着同时记录神经元数量增加，高阶相关分析面临组合爆炸与解释困难，多数分析停留在两两相关层面。即便采用频繁项集挖掘（frequent itemset mining，FIM）等方法搜索重复时空放电模式（STPs），仍会产出海量模式，其中大部分或因规模过小、或因重复次数不足而缺乏兴趣价值，且严格的多重检验校正会导致显著模式极少。现有方法单独依据模式大小或重复次数均不足以判断模式是否由偶然产生，而同时考虑多个质量准则又会引发多重检验问题。因此，亟需一种将多种直觉质量准则合成为单一度量的方法，以简化重复精确计时脉冲模式的比较与统计评估。该研究发表于《Biological Cybernetics》。

主要关键技术方法

研究人员在离散时间框架下将多单元脉冲序列（multiple-unit spike train，MUST）建模为独立伯努利随机变量集合，不预设平稳性；定义时空放电模式（STP）、模式重复事件（PRE）及其签名（signature）σ=(z,r,d,nov)，其中z为模式大小、r为重复次数、d为时长、nov为模式新奇性（novelty）；引入基于预序（preorder）的“模式锥”（pattern cone）概念，将质量定义为模式锥内期望模式数（即泛在性ubiquity ??）的负对数 ??=-log??；在平稳假设下推导泛在性的组合计数与二项尾概率上下界（Theorem 6），并以简单新奇性（simple novelty，sn）替代nov化简计算；针对非平稳实际数据，采用两组实验多单元记录（猴运动皮层等）通过模拟估计泛在性并与平稳公式对照。样本来源于已发表的SPADE相关实验队列（macaque motor cortex instructed-delay reach-to-grasp 等）。

研究结果

2 定义重复模式的新奇性与质量

研究人员给出MUST的离散时间定义（Definition 1），STP与PRE的形式化定义（Definitions 2–3），分离度（Definition 4）及新奇性 n(P^??)=-log?[P^??=1]（Definition 5）。进而以预序≥整合多准则，定义模式锥??(P^??)、泛在性??(P^??)=?下模式锥内模式数期望、质量??=-log??（Definitions 6）。该框架把“质量”转化为“满足全部接受准则的潜在模式数”的不可能性度量。

3 质量计算

3.1 选择用于质量数学估计的预序

研究人员将签名取为σ=(z,r,d,nov)，定义σ'≥σ当且仅当 z'≥z, r'≥r, d'≤d, nov'≥nov（Definition 7–8），从而把PRE上的预序归约到签名空间上的偏序，模式锥、泛在性、质量均可定义在签名上。

3.2 泛在性与质量的数学估计

在平稳独立假设下，Proposition 1证明单时概率 q=∏_i∈N(P) p_i，PRE概率 q^r，重复次数 R_P 服从二项分布。Proposition 2给出时长≤d、大小z的模式与出现时间集的组合计数公式。Theorem 3将泛在性写为 ∑_k≥z ((d+1)^k-d^k) ∑_P:sn(P)≥sn B(q(P),T';r)，其中B为累积二项概率。Proposition 4–5给出二项尾概率的几何级数上下界 F_l·b ≤ B ≤ F_u·b 且 F_u/F_l<2。Theorem 6据此给出平稳下泛在性上下界 U_l≤??≤U_u，质量界 Q_l=-logU_u, Q_u=-logU_l，计算时按神经元放电概率升序剪枝。

3.3 模拟估计

对非平稳数据，研究人员通过置换/代理数据模拟计算经验泛在性，作为定义度量的参照。

3.4 放电概率估计

p_i^t 由帧间间隔经验估计，不要求平稳。

4 平稳与非平稳对照

研究人员在两组实验数据上比较平稳公式计算质量与模拟质量的相关性。结果表明：尽管非平稳导致个别模式计算值偏离模拟值，平稳公式及更简代理公式仍与定义质量保持一定相关，可作为跨PR比较与检验的实用代理，规避多准则多重检验。

5 讨论与检验应用

研究人员指出，单模式的低泛在性概率 p=?[U(P)≠0]≤??(P) 不能直接作显著性水平，因为同等低泛在性的模式锥众多，应问“出现泛在性≤??或质量≥??的模式之概率”，即Palm定义的surprise。基于质量度量，研究人员提议以??或其平稳代理作为检验变量，构造多单元脉冲序列上的检验统计量，在控制虚假发现的同时减少计算与采样负担。质量度量亦可在算法设计阶段预估偶然模式数量，辅助资源分配。

结论部分翻译浓缩

研究人员提出一种将多准则（大小、重复次数、时长、新奇性）合成为单一质量度量的典范框架，以模式锥泛在性的负对数定义质量；推导了平稳独立MUST下的组合数计算公式与二项尾上下界，使质量可解析估计；在非平稳实验数据中验证了平稳公式作为代理的可用性；并建议以该质量（或简式代理）构建检验统计量，用以比较模式重复、设定兴趣阈值及回避多重检验问题。该度量为大规模并行脉冲序列中精确计时高阶相关模式的识别与统计评估提供了原则性工具。