0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 1 year has passed since last update.

【Python】global lability synchronization法による神経信号の同期の不安定性

Last updated at Posted at 2022-01-20

神経ネットワークの自己組織化臨界現象を調べる上で、global lability of synchronization(同期のグローバルな不安定性)法という手法を使うことになったので、その計算方法をメモしておく。

大まかにいうと、ある神経ネットワークの活動において時刻$t$で同期しているニューロンのペアの個数$M(t)$と時刻$t+1$で同期しているペアの個数$M(t+1)$がどれだけ違うか、ということを評価する。値が大きければ大きいほど全体の同期/非同期プロセスを表し、小さいほど局所的なものを表す。

位相同期の評価

時系列データとして、二つの信号$s_i(t)$と$s_j(t)$の二種類が与えられたとする。

この二つの信号がある時刻$t$において

  • 位相差$\theta_{i, j}(t)$の絶対値が$\pi/4$未満である
  • 時間窓$v$の範囲での位相差$\theta_{i, j}(t)$に対する同期パラメータ$\gamma_{i,j}(t)$が$\sqrt{1/2}$より大きいこと

この二つの条件を満たす時、二つの信号は同期しているとする。

ここで位相差$\theta_{i, j}(t)$は以下のように計算を行う。

$$ \Delta \theta_{i,j}(t)=\arctan[{\tilde s_i(t)s_j(t)- \tilde s_j(t)s_i(t)\over s_i(t)s_j(t)- \tilde s_j(t)\tilde s_i(t)}] $$

ここで$\tilde s(t)$は信号$s(t)$のヒルベルト変換を表す。

$$ \tilde s(t) = {1\over \pi}\int^\infty_{-\infty} {s(\tau)\over t-\tau} d\tau$$
ヒルベルト変換って何?という方は以下↓
参考: https://www.onosokki.co.jp/HP-WK/eMM_back/emm180.pdf
ざっと言うと実部のみの信号$s(t)$が本来含む虚部の信号$\tilde s(t)$を返す操作。さらに大雑把に言えば位相を90°ずらす操作に当たるらしい。

同期パラメータ$\gamma_{i,j}(t)$は以下のように求める。

$$ \gamma_{i,j}(t) = \sqrt{[{1\over v}\sum^{t+v}_t \cos \Delta \theta _{i,j}(t)]^2+[{1\over v}\sum^{t+v}_t \sin\Delta \theta _{i,j}(t)]} $$

ここで$v$は時間窓を表す。

ネットワークの中の全てのニューロン信号について、これらの条件を満たす一致するペアの個数を$M(t)$とする。以下のような式で表すことができる。

$$ M(t)=\sum[|\Delta \theta_{i,j}|<\pi/4 ~and ~ \gamma_{i,j}(t)>\sqrt{1/2}] $$

不安定性の評価

得られたペアの個数$M(t)$と$M(t+1)$から、以下のようにして不安定性$l(t)$を求めることができる。

$$ l(t) = |M(t+1)-M(t)|^2 $$

実装

前提として、ヒルベルト変換は以下のように計算することができる。

import matplotlib.pyplot as plt
import numpy as np
from scipy.signal import hilbert


x = np.arange(-10,10, 0.1)
y = np.cos(x)
z = hilbert(y)
plt.plot(x,z.real, label="hil_real")
plt.plot(x,z.imag, label="hil_imag")
plt.legend()
plt.show()

rapture_20220120135741.jpg

元の入力であるcos波に対して虚部であるsin波が取得できていることがわかる。

これを用いて実装を行ったのが以下のクラス。

import itertools
import matplotlib.pyplot as plt
import numpy as np
from scipy.signal import hilbert

class DLS():
    def __init__(self, signals, v=50):
        self.signals = [hilbert(s) for s in signals]
        self.v = v #時間窓を50ステップとする
    
    def theta(self, s1, s2, t_i):
        y = s1[t_i].imag*s2[t_i].real - s2[t_i].imag*s1[t_i].real
        x = s1[t_i].real*s2[t_i].real - s1[t_i].imag*s2[t_i].imag
        return np.arctan(y/x)

    def gamma(self, i, j, t_i):
        if t_i + self.v >= len(self.signals[i]):
            return 0
        T_i = np.arange(t_i, t_i+self.v)
        cos_ave = np.cos(self.theta(self.signals[i], self.signals[j], T_i)).sum()/len(T_i)
        sin_ave = np.sin(self.theta(self.signals[i], self.signals[j], T_i)).sum()/len(T_i)


        return np.sqrt(cos_ave**2 + sin_ave**2)

    def isPair(self, i, j, t_i):
        theta_abs = abs(self.theta(self.signals[i], self.signals[j], t_i))
        gamma = self.gamma(i,j,t_i)

        if theta_abs < np.pi/4 and gamma > np.sqrt(1/2):
            return 1
        else:
            return 0

    def M(self, t_i):
        count = 0
        for i, j in itertools.combinations(range(len(self.signals)), 2):
            count += self.isPair(i, j, t_i)
        return count
    def l(self, t_i):
        return (self.M(t_i+1)-self.M(t_i))**2

試しに全く同じsin波を3つ入れて計算してみる。

v = 50
x = np.sin(np.arange(0,10, 0.1))
signals = [x, x, x]
dls = DLS(signals, v)
for i, x in enumerate(x[:v]):
    print(dls.M(i))
    # 一致する組み合わせ数3が出力される
    print(dls.l(i))
    # 完全に安定なので0が出力される

こうして計算を行うことができた。

参考文献

Kitzbichler, M. G., Smith, M. L., Christensen, S. R., & Bullmore, E. (2009). Broadband criticality of human brain network synchronization. PLoS computational biology, 5(3), e1000314.

Aguilar-Velázquez, D., & Guzmán-Vargas, L. (2019). Critical synchronization and 1/f noise in inhibitory/excitatory rich-club neural networks. Scientific reports, 9(1), 1-13.

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?