Predicting model parameters of a spiking neuron network through its local field potential by using deep learning

Abstract

Electrophysiological measurements provide a relatively easy method of probing the brain at the scale of networks. One example of such measurements is the extracellu- lar potential that can be obtained by inserting microelectrodes directly into neural tissue. The low frequency part of this signal is called the local eld potential (LFP), and despite having a solid understanding of the underlying physical principles deter- mining these electric potentials, the enormous complexity of neural networks makes the interpretation of the signal di cult. Little is known about exactly what infor- mation can be extracted from it. Convolutional neural networks, a form of machine learning using deep feed- forward arti cial neural networks, have been successfully applied to a wide array of tasks, most notably image recognition tasks and natural language processing. In this project, we apply convolutional neural networks to simulated local eld poten- tials. We use a newly developed hybrid scheme to simulate the LFP generated by a spiking point-neuron network model. To explore what information the LFP signals contain, we address the following question: Can a convolutional neural network be trained to make predictions about the parameters of a spiking point-neuron network by using only the LFP it generates? We use a relatively simple model consisting of one excitatory population and one inhibitory population, and systematically vary three parameters: the excitatory synaptic strength, the relative inhibitory synaptic strength and the amount of ex- ternal input. We then simulate the LFPs generated by this model network, and use them to train convolutional neural networks to make predictions about the values of each parameter. We nd that for this network, it is indeed possible to make fairly accurate predictions about the network parameters by using only the LFP it gen- erates. These results demonstrate that our approach shows promise for extracting non-trivial information from brain signals, and therefore has the potential to play an important role in taking full advantage of these signals in the future.

Elektrofysiologiske målinger gir en forholdsvis enkel måte å måle aktiviteten til nettverk av nevroner i hjernen. Et eksempel på en slike målinger er det ekstracellulære potensialet som kan måles ved å sette elektriske elektroder direkte i hjernevev. Den lavfrekvente delen av dette kalles lokale feltpotensialer (LFP), og selv om vi har en solid forståelse av de underliggende fysiske prinsippene bak de lokale feltpotensialene, gjør kompleksiteten til nevrale nettverk at det vanskelig å tolke dem, og man vet lite om hva slags informasjon de inneholder. Konvolusjonelle nevrale nettverk er en form for maskinlæring som har blitt mye brukt til blant annet bildegjenkjenning og prosessering av naturlige språk. I dette prosjektet blir konvolusjonelle nevrale nettverk anvendt på simulerte lokale feltpotensialer. En nylig utviklet hybridmetode for å simulere de lokale feltpotensialene som blir generert av nettverker av punktnevroner blir benyttet, og følgende spørsmål blir belyst: Kan konvolusjonelle nevrale nettverk bli trent opp til å anslå verdien til spesifikke parametere til et nettverk av punktnevroner? Vi benytter en relativt enkel modell som består av en eksitatorisk populasjon og en inhibitorisk populasjon, og varierer tre parametere: den eksitatoriske synaptiske styrken, den relative inhibitoriske synaptiske styrken og mengden ekstern input. LFP-ene fra dette nettverket med de ulike parameterverdiene blir simulert, og blir brukt til å trene opp det konvolusjonelle nevrale nettverket til å anslå parameterverdiene. Det viser seg at det konvolusjonelle nevrale nettverket er i stand til å anslå alle tre verdiene med ganske stor treffsikkerhet. Disse resultatene antyder at metoden er i stand til å hente ut informasjon fra hjernesignaler, og har potensial til å spille en viktig rolle i å dra full nytte av dem i fremtiden.