A Topological Deep Learning Framework for Neural Spike Decoding

要約

脳の空間認識システムは、環境に基づいたナビゲーションを支援するためにさまざまなニューロン アンサンブルを使用します。
脳が空間情報をエンコードする方法のうち 2 つは、頭方向セルとグリッド セルを介するものです。
脳は頭方向セルを使用して方向を決定しますが、グリッド セルは環境ベースのナビゲーションを提供するために重ね合わされたデッキ状のニューロンの層で構成されます。
これらのニューロンはアンサンブルで発火し、複数のニューロンが同時に発火して単一のヘッド方向またはグリッドを活性化します。
この発火構造をキャプチャし、それを使用して頭方向のグリッド セル データをデコードしたいと考えています。
これらの神経構造を理解、表現、解読するには、従来のグラフベースのモデルが提供する 1 次元の接続性を超える、高次の接続性を包含するモデルが必要です。
そのために、この研究では、ニューラル スパイク トレイン デコード用のトポロジカル ディープ ラーニング フレームワークを開発します。
私たちのフレームワークは、単純畳み込みリカレント ニューラル ネットワークと呼ばれる、ここで開発した新しいアーキテクチャを介して、教師なし単純複雑発見と深層学習の力を組み合わせています。
単純複合体、つまり頂点とエッジだけでなく高次元オブジェクトも使用する位相空間は、グラフを自然に一般化し、単なるペア関係以上のものを捉えます。
さらに、このアプローチはスパイク数を超える神経活動の事前知識を必要としないため、類似性測定の必要がなくなります。
単純畳み込みニューラル ネットワークの有効性と多用途性は、頭の方向とグリッド セルのデータセットを介した頭の方向と軌道の予測で実証されます。

要約(オリジナル)

The brain’s spatial orientation system uses different neuron ensembles to aid in environment-based navigation. Two of the ways brains encode spatial information is through head direction cells and grid cells. Brains use head direction cells to determine orientation whereas grid cells consist of layers of decked neurons that overlay to provide environment-based navigation. These neurons fire in ensembles where several neurons fire at once to activate a single head direction or grid. We want to capture this firing structure and use it to decode head direction grid cell data. Understanding, representing, and decoding these neural structures requires models that encompass higher order connectivity, more than the 1-dimensional connectivity that traditional graph-based models provide. To that end, in this work, we develop a topological deep learning framework for neural spike train decoding. Our framework combines unsupervised simplicial complex discovery with the power of deep learning via a new architecture we develop herein called a simplicial convolutional recurrent neural network. Simplicial complexes, topological spaces that use not only vertices and edges but also higher-dimensional objects, naturally generalize graphs and capture more than just pairwise relationships. Additionally, this approach does not require prior knowledge of the neural activity beyond spike counts, which removes the need for similarity measurements. The effectiveness and versatility of the simplicial convolutional neural network is demonstrated on head direction and trajectory prediction via head direction and grid cell datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google