A Kuramoto-von Mises Time Series Model for Probabilistic Modeling of Coupled Oscillators

Technische Zusammenfassung: Ein Kuramoto–von Mises-Zeitreihenmodell zur probabilistischen Modellierung gekoppelter Oszillatoren

Problemstellung
Gekoppelte Oszillatoren bieten einen fundamentalen Rahmen zur Modellierung physikalischer und biologischer Phänomene, die von der Proteinfaltung und neuronalen Synchronisation bis hin zur gastrointestinalen Slow-Wave-Aktivität reichen. Bestehende Methoden zur Schätzung der Wahrscheinlichkeitsverteilungen multivariater Phasenbeziehungen in diesen Systemen stützen sich typischerweise auf die Gleichgewichtsthermodynamik und drücken das System über eine Boltzmann-Form der Paar-Exponentialfamilienverteilung aus. Diese Ansätze hängen jedoch von zwei kritischen Annahmen ab, die in realen Systemen häufig verletzt werden: (i) die Kopplungsmatrix ist symmetrisch, und (ii) das System hat ein thermodynamisches Gleichgewicht erreicht. Viele biologische Netzwerke weisen inhärent asymmetrische Interaktionen auf (z. B. erregende/hemmende synaptische Verbindungen) und werden durch externe Inputs angetrieben, was sie in Nichtgleichgewichtsregime versetzt. Folglich können auf dem Gleichgewicht basierende Formulierungen eine begrenzte oder verzerrte Charakterisierung der zugrunde liegenden Dynamik liefern.

Methodik
Die Autoren schlagen eine Methode zur Schätzung der zugrunde liegenden Phasenverteilungen vor, die weder eine symmetrische Konnektivität noch einen Gleichgewichtszustand voraussetzt. Der Ansatz basiert auf den folgenden theoretischen und algorithmischen Grundlagen:

1. Stochastische Kuramoto-Formulierung: Das Modell erweitert das deterministische Kuramoto-Modell zu einer stochastischen Differentialgleichung (SDE) mittels Langevin-Dynamik. Diese Formulierung integriert zeitliche Verzögerungen und modelliert die kontinuierliche zeitliche Entwicklung der Phasen $Y_t$ mit additivem Gaußschem Rauschen.
2. Von-Mises-Approximation: Durch die Diskretisierung der Zeit in kleine Intervalle $\Delta$ wird die bedingte Verteilung der Phase zum Zeitpunkt $t+\Delta$ gegeben der Historie approximiert. Da die Phase kreisförmig ist ($[0, 2\pi]$), wird die durch die SDE resultierende gewickelte Gaußverteilung (wrapped Gaussian distribution) durch eine von Mises-Verteilung approximiert. Die mittlere Richtung dieser Verteilung wird durch die intrinsische Frequenz und die Kopplungsterme bestimmt, während der Konzentrationsparameter umgekehrt proportional zur Rauschvarianz und dem Zeitschritt ist.
3. Hochfrequenz-Sampling-Approximation: Eine wesentliche Vereinfachung wird unter der Annahme hoher Abtastraten ($\Delta \ll 1$) angewandt. Unter Verwendung von Taylor-Approximationen für Sinus- und Kosinusfunktionen, bei denen der Einfluss der Kopplung klein ist, wird die Log-Likelihood-Funktion linearisiert. Dies transformiert das Maximum-Likelihood-Schätzproblem (MLE) in eine geschlossene algebraische Lösung unter Verwendung linearer Algebra-Operationen, wodurch iteratieve konvexe Optimierungsverfahren vermieden werden.
4. Parameterschätzung: Die Methode schätzt Kopplungsparameter ($\kappa_{ij}$) und Phasenverzögerungen ($\mu_{ij}$), indem sie ein separiertes quadratisches Optimierungsproblem für jeden Oszillator löst. Die Autoren stellen zudem ein Verfahren zur Schätzung der Rauschvarianz $\sigma^2$ bereit und zeigen auf, wie man gewünscht symmetrische Konnektivitätsbeschränkungen erzwingen kann, obwohl das allgemeine Framework dies nicht erfordert.

Zentrale Beiträge

• Nichtgleichgewichts-Modellierung: Das Paper führt einen probabilistischen Rahmen ein, der keine thermodynamische Gleichgewichtslage oder symmetrische Kopplung voraussetzt, und adressiert damit eine signifikante Einschränkung bisheriger Boltzmann-basierter Ansätze.
• Geschlossene Lösung: Die Autoren leiten einen Maximum-Likelihood-Schätzer ab, der in der Hochfrequenz-Sampling-Regime eine geschlossene algebraische Lösung zulässt, was die Methode recheneffizient macht und eine einfache Anwendung auf moderne hochfrequente Datenerfassungssysteme ermöglicht.
• Vereinheitlichtes Framework: Der Ansatz vereinheitlicht die Modellierung sowohl von Gleichgewichts- als auch von Nichtgleichgewichtsregimen innerhalb einer einzigen Langevin-basierten Formulierung.

Ergebnisse
Die Autoren evaluieren die Methode sowohl mit synthetischen Daten als auch mit realen elektrophysiologischen Aufzeichnungen:

• Synthetische Graph-Rekonstruktion: In Simulationen von symmetrischen Gleichgewichtssystemen stellt die vorgeschlagene Methode Konnektivitätsstrukturen mit einer Genauigkeit wieder her, die mit der State-of-the-Art ISO-Methode (die das Gleichgewicht voraussetzt) vergleichbar ist. In asymmetrischen Nichtgleichgewichtssystemen übertrifft die vorgeschlagene Methode die ISO-Methode deutlich, welche die asymmetrische Struktur nicht erfassen kann, während die Standard-Lineare-Regression über alle Dimensionen hinweg schlecht abschneidet.
• Klassifizierung von Wanderwellen: Die Methode wird auf simulierten 2D-planaren Wanderwellen angewendet. Mittels Log-Likelihood-Ratio-Tests klassifiziert das Modell erfolgreich Wellen, die in unterschiedliche Richtungen propagieren, wobei die Klassifizierungsleistung (AUC) steigt, wenn sich die Ausbreitungsrichtung vergrößert.
• Gastrische Elektrogastrographie (EGG): Wendbar auf menschliche Magenaufzeichnungen, detektiert das Modell Veränderungen in gastrischen Wanderwellen vor und nach den Mahlzeiten. Bei gesunden Kontrollpersonen identifiziert das Modell eine erhöhte lokale Konnektivität während der Verdauungsphasen. Bei Patienten mit Gastroparese oder funktioneller Dyspepsie erfasst das Modell ein pathologisches Ausbleiben der Veränderung der Konnektivität zwischen prä- und postprandialen Zuständen.
• Intrakranielle EEG: Die Methode wird auf DBS-Daten (Tiefe Hirnstimulation) aus dem orbitofrontalen Kortex angewendet. Sie erfasst signifikante Änderungen der Netzwerkkonnektivität während und nach der Stimulation und beobachtet eine Abschwächung der Konnektivität während der Stimulation sowie einen anschließenden Rebound-Anstieg, was konsistent mit den beobachteten Änderungen der Theta-Leistung ist.

Bedeutung und Ansprüche
Das Paper behauptet, dass das vorgeschlagene Kuramoto–von Mises-Zeitreihenmodell eine robuste und generalisierbare Alternative zu bestehenden Gleichgewichts-basierten Methoden bietet. Durch die Nutzung der in der modernen Datenerfassung üblichen hohen Abtastraten bietet es eine recheneffiziente, geschlossene Lösung zur Schätzung von Kopplungsstrukturen sowohl in Gleichgewichts- als auch in Nichtgleichgewichtsregimen. Die Autoren betonen, dass die Methode zwar auf einer Kleinwinkel-Approximation beruht (gerechtfertigt durch hohe Abtastraten relativ zu den intrinsischen Frequenäten), sie jedoch erfolgreich dynamische Phänomene wie Wanderwellen und pathologische Konnektivitätsmuster in biologischen Systemen charakterisiert, in denen traditionelle Gleichgewichtsannahmen versagen. Die Arbeit legt nahe, dass dieser Rahmen eine skalierbare und interpretierbare Analyse hochdimensionaler gekoppelter Oszillatorsysteme ermöglicht, ohne die einschränkenden Annahmen von Symmetrie oder Gleichgewicht.