Reconstruction de la connectivité fonctionnelle de trains de pointes multiples par des modèles de Hawkes.

Résumé Contexte : Les modèles statistiques qui prédisent l'apparition de pics de neurones à partir de l'activité de pics antérieure de l'ensemble du réseau enregistré sont des outils prometteurs pour reconstruire les graphes de connectivité fonctionnelle. Certaines des méthodes utilisées précédemment s'inscrivaient dans le cadre statistique général des processus de Hawkes multivariés, mais elles nécessitaient souvent une grande quantité de données, une connaissance préalable du réseau enregistré et pouvaient générer des modèles non stationnaires qui ne pouvaient pas être utilisés directement en simulation. Nouvelle méthode : Ici, nous présentons une méthode, basée sur les estimateurs des moindres carrés et les critères de pénalité LASSO, optimisant les modèles de Hawkes qui peuvent être utilisés pour la simulation. Résultats : L'application de notre méthode à plusieurs modèles Integrate and Fire de réseaux de neurones a montré qu'elle détecte efficacement les connexions excitatrices et inhibitrices. Les quelques erreurs qui se sont produites occasionnellement avec des réseaux complexes, y compris les entrées communes, les connexions faibles et enchaînées, ont pu être facilement écartées sur la base de critères objectifs. Conclusions : La présente méthode est robuste, stable, applicable avec une quantité de données expérimentalement réaliste, et ne nécessite aucune connaissance préalable du réseau étudié. Elle peut donc être utilisée sur un ordinateur personnel comme une procédure clé en main pour déduire les graphes de connectivité et générer des modèles de simulation à partir d'enregistrements simultanés de trains de pointes.