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

Resumen Técnico: Un Modelo de Series Temporales de Kuramoto–von Mises para el Modelado Probabilístico de Osciladores Acoplados

Planteamiento del Problema
Los osciladores acoplados proporcionan un marco fundamental para modelar fenómenos físicos y biológicos, que van desde el plegamiento de proteínas y la sincronización neuronal hasta la actividad de ondas lentas gastrointestinales. Los métodos existentes para estimar las distribuciones de probabilidad de las relaciones de fase multivariantes en estos sistemas suelen depender de la termodinámica de equilibrio, expresando el sistema mediante una distribución de familia exponencial de pares de tipo Boltzmann. Sin embargo, estos enfoques dependen de dos supuestos críticos que se violan frecuentemente en sistemas del mundo real: (i) la matriz de acoplamiento es simétrica, y (ii) el sistema ha alcanzado el equilibrio termodinámico. Muchas redes biológicas exhiben interacciones inherentemente asimétricas (por ejemplo, conexiones sinápticas excitatorias/inhibitorias) y son impulsadas por entradas externas, lo que las sitúa en regímenes de no equilibrio. En consecuencia, las formulaciones basadas en el equilibrio pueden producir caracterizaciones limitadas o sesgadas de la dinámica subyacente.

Metodología
Los autores proponen un método para estimar las distribuciones de fase subyacentes sin asumir una conectividad simétrica o un estado de equilibrio. El enfoque se basa en los siguientes fundamentos teóricos y algorítmicos:

1. Formulación de Kuramoto Estocástica: El modelo extiende el modelo determinista de Kuramoto a una ecuación diferencial estocástica (SDE) mediante la dinámica de Langevin. Esta formulación incorpora retrasos temporales y modela la evolución continua de las fases de los osciladores $Y_t$ con ruido gaussiano aditivo.
2. Aproximación de von Mises: Al discretizar el tiempo en intervalos pequeños $\Delta$, se aproxima la distribución condicional de la fase en el tiempo $t+\Delta$ dada la historia previa. Dado que la fase es circular ($[0, 2\pi]$), la distribución gaussiana envuelta resultante de la SDE se aproxima mediante una distribución de von Mises. La dirección media de esta distribución está determinada por la frecuencia intrínseca y los términos de acoplamiento, mientras que el parámetro de concentración es inversamente proporcional a la varianza del ruido y al paso de tiempo.
3. Aproximación de Alta Tasa de Muestreo: Se aplica una simplificación clave bajo el supuesto de altas tasas de muestreo ($\Delta \ll 1$). Utilizando aproximaciones de Taylor para las funciones seno y coseno donde la influencia del acoplamiento es pequeña, se linealiza la función de log-verosimilitud. Esto transforma el problema de estimación de máxima verosimilitud (MLE) en una solución algebraica de forma cerrada que involucra operaciones de álgebra lineal, evitando la necesidad de solvers de optimización convexa iterativos.
4. Estimación de Parámetros: El método estima los parámetros de acoplamiento ($\kappa_{ij}$) y los retrasos de fase ($\mu_{ij}$) resolviendo un problema de optimización cuadrática separable para cada oscilador. Los autores también proporcionan un procedimiento para estimar la varianza del ruido $\sigma^2$ y demuestran cómo imponer restricciones de conectividad simétrica si se desea, aunque el marco general no requiere de ello.

Contribuciones Clave

• Modelado de No Equilibrio: El artículo introduce un marco probabilístico que no requiere que el sistema esté en equilibrio termodinámico ni que posea un acoplamiento simétrico, abordando una limitación significativa de los enfoques previos basados en Boltzmann.
• Solución de Forma Cerrada: Los autores derivan un estimador de máxima verosimilitud que admite una solución algebraica de forma cerrada en el régimen de alta tasa de muestreo, lo que hace que el método sea computacionalmente eficiente y fácilmente aplicable a los modernos sistemas de adquisición de datos de alta frecuencia.
• Marco Unificado: El enfoque unifica el modelado de regímenes tanto de equilibrio como de no equilibrio dentro de una única formulación basada en Langevin.

Resultados
Los autores evalúan el método utilizando tanto datos sintéticos como registros electrofisiológicos del mundo real:

• Recuperación de Grafos Sintéticos: En simulaciones de sistemas simétricos y de equilibrio, el método propuesto recupera estructuras de conectividad con una precisión comparable al método ISO de vanguardia (que asume el equilibrio). En sistemas asimétricos y de no equilibrio, el método propuesto supera significativamente al método ISO, el cual falla al capturar la estructura asimétrica, mientras que la regresión lineal estándar tiene un desempeño pobre en todas las dimensiones.
• Clasificación de Ondas Viajeras: El método se aplica a ondas viajeras planas 2D simuladas. Utilizando pruebas de razón de log-verosimilitud, el modelo clasifica con éxito las ondas que se propagan en diferentes direcciones, con un rendimiento de clasificación (AUC) que mejora a medida que aumenta la diferencia en la dirección de propagación.
• Electrogastrografía Gástrica (EGG): Aplicado a registros estomacales humanos, el modelo detecta cambios en las ondas viajeras gástricas antes y después de las comidas. En controles sanos, el modelo identifica un aumento de la conectividad local durante los periodos digestivos. En pacientes con gastroparesia o dispepsia funcional, el modelo captura una falta patológica de cambio en la conectividad entre los estados pre y postprandiales.
• EEG Intracraneal: El método se aplica a datos de estimulación cerebral profunda (DBS) de la corteza orbitofrontal. Captura cambios significativos en la conectividad de la red durante y después de la estimulación, observando una atenuación de la conectividad durante la estimulación y un aumento de rebote posterior, consistente con los cambios observados en la potencia theta.

Significancia y Reivindicaciones
El artículo afirma que el modelo de series temporales de Kuramoto–von Mises propuesto ofrece una alternativa robusta y generalizable a los métodos existentes basados en el equilibrio. Al aprovechar las altas tasas de muestreo comunes en la adquisición de datos moderna, el método proporciona una solución de forma cerrada y computacionalmente eficiente para estimar estructuras de acoplamiento tanto en regímenes de equilibrio como de no equilibrio. Los autores enfatizan que, si bien el método depende de una aproximación de ángulo pequeño (justificada por las altas tasas de muestreo en relación con las frecuencias intrínsecas), logra caracterizar exitosamente fenómenos dinámicos como las ondas viajeras y los patrones de conectividad patológica en sistemas biológicos donde los supuestos tradicionales de equilibrio fallan. El trabajo sugiere que este marco permite un análisis escalable e interpretable de sistemas de osciladores acoplados de alta dimensión sin las restricciones de simetría o equilibrio.