상관왜곡 기반 선형비선형포아송 모델 식별

초록

본 논문은 선형‑비선형‑포아송(LNP) 모델의 커널을, 자극‑반응 쌍이 없이도 출력 스파이크의 2차 통계만으로 추정하는 방법을 제시한다. 화이트·컬러 가우시안 입력에 대해 최소 위상(minimum‑phase) 가정하에 신호 상관관계가 어떻게 왜곡되는지를 분석하고, 그 역변환을 이용해 커널의 스펙트럼 진폭을 복원한다. 실험 결과는 다양한 파라메트릭 신경 모델에 대해 높은 정확도의 커널 추정이 가능함을 보여준다.

상세 분석

LNP 모델은 입력 신호를 먼저 선형 필터(k)로 통과시킨 뒤, 비선형 함수(g)로 변환하고, 최종적으로 포아송 과정을 통해 스파이크를 생성한다는 3단계 구조를 가진다. 기존의 커널 추정 방법은 역상관(reverse‑correlation)이나 최대우도(maximum‑likelihood)와 같이 자극‑반응 쌍을 필요로 하는 반면, 본 연구는 출력 스파이크 시퀀스의 자기상관과 입력 자극의 자기상관만을 이용한다는 점에서 차별화된다. 핵심 아이디어는 선형 필터가 입력의 2차 통계(전력 스펙트럼)를 어떻게 변형시키는가를 정확히 기술하고, 비선형 함수가 포아송 변환 전후에 추가하는 왜곡을 수학적으로 모델링한다는 것이다.

특히, 입력이 백색 혹은 컬러 가우시안 잡음일 때, 선형 필터의 주파수 응답 H(ω)와 입력 스펙트럼 S_x(ω) 사이의 관계는 S_y(ω)=|H(ω)|²S_x(ω) 로 표현된다. 여기서 S_y는 필터링 후 신호의 스펙트럼이다. 비선형 단계에서는 포아송 변환이 평균 발화율 λ(t)=g(y(t))에 따라 스파이크를 생성하므로, 스파이크 시퀀스의 자동상관 R_s(τ) 는 λ(t)의 2차 통계와 포아송 과정의 고유한 “shot noise” 항을 포함한다. 논문은 이 관계를 정밀히 전개하여, R_s(τ) 로부터 |H(ω)| 를 역변환하는 식을 도출한다.

하지만 위상 정보는 상관함수만으로는 복원되지 않는다. 따라서 최소 위상 가정을 도입해, 주어진 진폭 스펙트럼으로부터 유일한 위상 함수를 재구성한다. 최소 위상 필터는 모든 영(零)와 극(pole)이 복소 평면의 왼쪽 절반에 위치한다는 특성을 이용해, 힐베르트 변환을 통해 위상을 복원한다. 이 과정은 수치적으로 안정적이며, 특히 입력이 컬러 잡음일 때도 적용 가능하도록 입력의 공분산 행렬을 사전 추정한다.

실험에서는 (1) 단일 지수형 필터, (2) 다중 지수형 필터, (3) 고차원 가우시안 커널 등 다양한 파라메트릭 형태의 LNP 모델을 시뮬레이션하였다. 각 경우에 대해 입력‑출력 상관관계를 측정하고, 제안된 역변환 알고리즘을 적용해 커널을 복원하였다. 복원된 커널의 RMS 오차는 5 % 이하였으며, 특히 최소 위상 가정이 실제 신경계에서 근사적으로 성립한다는 생리학적 근거와 일치하였다. 또한, 전통적인 역상관 방법과 비교했을 때, 잡음에 강인하고, 자극이 직접 관찰되지 않는 실험 상황에서도 유효함을 확인하였다.

이 연구는 LNP 모델 식별에 있어 “상관왜곡”이라는 새로운 관점을 제공한다. 입력‑출력 2차 통계만으로도 충분히 커널을 추정할 수 있다는 점은, 예를 들어 자유 행동 중에 기록된 스파이크와 동시에 측정하기 어려운 환경(자연 행동, 뇌‑기계 인터페이스 등)에서도 모델링이 가능함을 의미한다. 다만, 최소 위상 가정이 위반되는 경우(예: 비대칭 필터, 지연이 큰 시스템)에는 진폭만 정확히 복원되고 위상이 왜곡될 수 있다는 한계가 있다. 향후 연구에서는 위상 정보를 보강하기 위한 추가 통계(예: 3차 상관)나, 비최소 위상 필터에 대한 정규화 기법을 탐색할 필요가 있다.