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

Résumé technique : Un modèle de séries temporelles Kuramoto–von Mises pour la modélisation probabiliste d'oscillateurs couplés

Énoncé du problème
Les oscillateurs couplés constituent un cadre fondamental pour modéliser des phénomènes physiques et biologiques, allant du repliement des protéines et de la synchronisation neuronale à l'activité des ondes lentes gastro-intestinales. Les méthodes existantes pour estimer les distributions de probabilité des relations de phase multivariées dans ces systèmes reposent généralement sur la thermodynamique de l'équilibre, exprimant le système via une distribution de type famille exponentielle de Boltzmann par paires. Cependant, ces approches dépendent de deux hypothèses critiques qui sont fréquemment violées dans les systèmes réels : (i) la matrice de couplage est symétrique, et (ii) le système a atteint l'équilibre thermodynamique. De nombreux réseaux biologiques présentent des interactions intrinsèquement asymétriques (par exemple, les connexions synaptiques excitatrices/inhibitrices) et sont pilotés par des entrées externes, ce qui les place dans des régimes de non-équilibre. Par conséquent, les formulations basées sur l'équilibre peuvent produire des caractérisations limitées ou biaisées des dynamiques sous-jacentes.

Méthodologie
Les auteurs proposent une méthode pour estimer les distributions de phase sous-jacentes sans supposer une connectivité symétrique ou un état d'équilibre. L'approche repose sur les fondements théoriques et algorithmiques suivants :

1. Formulation de Kuramoto stochastique : Le modèle étend le modèle de Kuramoto déterministe à une équation différentielle stochastique (EDS) en utilisant la dynamique de Langevin. Cette formulation incorpore des délais temporels et modélise l'évolution continue des phases des oscillateurs $Y_t$ avec un bruit gaussien additif.
2. Approximation de von Mises : En discrétisant le temps en petits intervalles $\Delta$, la distribution conditionnelle de la phase à l'instant $t+\Delta$ étant donné l'historique est approximée. Puisque la phase est circulaire ($[0, 2\pi]$), la distribution gaussienne enveloppée résultant de l'EDS est approximée par une distribution de von Mises. La direction moyenne de cette distribution est déterminée par la fréquence intrinsèque et les termes de couplage, tandis que le paramètre de concentration est inversement proportionnel à la variance du bruit et au pas de temps.
3. Approximation par taux d'échantillonnage élevé : Une simplification clé est appliquée sous l'hypothèse de taux d'échantillonnage élevés ($\Delta \ll 1$). En utilisant des approximations de Taylor pour les fonctions sinus et cosinus là où l'influence du couplage est faible, le logarithme de la vraisemblance est linéarisé. Cela transforme le problème d'estimation du maximum de vraisemblance (MLE) en une solution algébrique à forme fermée impliquant des opérations d'algèbre linéaire, évitant ainsi le recours à des solveurs d'optimisation convexe itératifs.
4. Estimation des paramètres : La méthode estime les paramètres de couplage ($\kappa_{ij}$) et les délais de phase ($\mu_{ij}$) en résolvant un problème d'optimisation quadratique séparable pour chaque oscillateur. Les auteurs fournissent également une procédure pour estimer la variance du bruit $\sigma^2$ et démontrent comment imposer des contraintes de connectivité symétrique si cela est souhaité, bien que le cadre général n'en ait pas l'exigence.

Principales contributions

• Modélisation de non-équilibre : L'article introduit un cadre probabiliste qui ne nécessite pas que le système soit en équilibre thermodynamique ou qu'il possède une connectivité symétrique, répondant ainsi à une limitation majeure des approches antérieures basées sur Boltzmann.
• Solution à forme fermée : Les auteurs dérivent un estimateur du maximum de vraisemblance qui admet une solution algébrique à forme fermée dans le régime de haut taux d'échantillonnage, ce qui rend la méthode informatiquement efficace et facilement applicable aux systèmes modernes d'acquisition de données à haute fréquence.
• Cadre unifié : L'approche unifie la modélisation des régimes d'équilibre et de non-équilibre au sein d'une seule formulation de type Langevin.

Résultats
Les auteurs évaluent la méthode en utilisant des données synthétiques et des enregistrements électrophysiologiques réels :

• Récupération de graphes synthétiques : Dans des simulations de systèmes symétriques en équilibre, la méthode proposée récupère les structures de connectivité avec une précision comparable à la méthode ISO de pointe (qui suppose l'équilibre). Dans les systèmes asymétriques de non-équilibre, la méthode proposée surpasse significativement la méthode ISO, qui échoue à capturer la structure asymétrique, tandis que la régression linéaire standard est peu performante sur toutes les dimensions.
• Classification d'ondes progressives : La méthode est appliquée à des ondes progressives planes 2D simulées. En utilisant des tests de rapport de vraisemblance, le modèle classifie avec succès des ondes se propageant dans différentes directions, la performance de classification (AUC) s'améliorant à mesure que la différence de direction de propagation augmente.
• Électrogastrographie (EGG) gastrique : Appliquée à des enregistrements de l'estomac humain, le modèle détecte les changements dans les ondes progressives gastriques avant et après les repas. Chez les sujets sains, le modèle identifie une augmentation de la connectivité locale pendant les périodes de digestion. Chez les patients souffrant de gastroparésie ou de dyspepsie fonctionnelle, le modèle capture un manque pathologique de changement de connectivité entre les états pré- et post-prandiaux.
• EEG intracrânien : La méthode est appliquée à des données de stimulation cérébrale profonde (DBS) du cortex orbitofrontal. Elle capture des changements significatifs dans la connectivité du réseau pendant et après la stimulation, observant une atténuation de la connectivité pendant la stimulation et une augmentation de rebond après celle-ci, ce qui est cohérent avec les changements observés de la puissance thêta.

Signification et affirmations
L'article affirme que le modèle de séries temporelles Kuramoto–von Mises proposé offre une alternative robuste et généralisable aux méthodes existantes basées sur l'équilibre. En tirant parti des taux d'échantillonnage élevés courants dans les systèmes modernes d'acquisition de données, la méthode fournit une solution à forme fermée informatiquement efficace pour estimer les structures de couplage dans les régimes d'équilibre et de non-équilibre. Les auteurs soulignent que, bien que la méthode repose sur une approximation des petits angles (justifiée par des taux d'échantillonnage élevés par rapport aux fréquences intrinsèques), elle caractérise avec succès des phénomènes dynamiques tels que les ondes progressives et les modèles de connectivité pathologiques dans les systèmes biologiques où les hypothèses d'équilibre traditionnelles échouent. Ce travail suggère que ce cadre permet une analyse scalable et interprétable de systèmes d'oscillateurs couplés de haute dimension sans les restrictions de symétrie ou d'équilibre.