Neural Posterior Estimation of hierarchical models in neuroscience - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Conference Papers Year : 2022

Neural Posterior Estimation of hierarchical models in neuroscience

Abstract

Understanding the bio-physical mechanisms underlying complex neuronal phenomena is the main focus of experimental research in neuroscience. When trying to computationally replicate realistic brain signals, it typically involves inferring the parameters of stochastic non linear models. This task becomes particularly challenging when the coupling of certain parameters leads to intrinsically indeterminate models. We present a method that is capable of removing such indeterminacy by extending recent developments in simulation-based inference (SBI) to hierarchical Bayesian models. The idea is to exploit additional information conveyed by an auxiliary set of observations sharing the same global parameters, in order to provide more accurate estimates of the coupled parameters. We demonstrate this method on the well known Jansen & Rit Neural Mass Model and use it to investigate what extra information best improves the parameter estimates on EEG signals
L'objectif principal de la recherche expérimentale en neurosciences est de comprendre les mécanismes bio-physiques qui sont à l'origine de phénomènes neuronaux complexes. Lorsque le but est de reproduire informatiquement des signaux cérébraux réalistes, cela implique généralement l'inférence des paramètres de modèles stochastiques non-linéaires. Cette tâche est d'autant plus difficile si le couplage de certains paramètres conduit à des modèles intrinsèquement indéterminés. Nous présentons une méthode capable de lever une telle indétermination en étendant les développements récents de l'inférence par simulation (SBI) aux modèles hiérarchiques bayésiens. L'idée est d'exploiter l'information incluse dans un ensemble d'observations supplémentaires partageants les mêmes paramètres globaux, afin de fournir une estimation plus précise des paramètres couplés. Nous appliquons cette méthode à un modèle neuronal connu, le Jansen & Rit Neural Mass Model pour étudier quelles informations supplémentaires permettent d'obtenir les meilleures estimations de paramètres pour des signaux EEG.
Fichier principal
Vignette du fichier
Gretsi_2022_HNPE.pdf (809.41 Ko) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

hal-03858828 , version 1 (17-11-2022)

Identifiers

  • HAL Id : hal-03858828 , version 1

Cite

Julia Linhart, Pedro Luiz Coelho Rodrigues, Thomas Moreau, Gilles Louppe, Alexandre Gramfort. Neural Posterior Estimation of hierarchical models in neuroscience. GRETSI 2022 - XXVIIIème Colloque Francophone de Traitement du Signal et des Images, Sep 2022, Nancy, France. pp.1-3. ⟨hal-03858828⟩
87 View
67 Download

Share

Gmail Facebook X LinkedIn More