Spatiotemporal pattern coding using Neural Fields: Optimal parameter estimation

In this work we present the parameter optimization of a distributed model for the classification of temporal sequences. The model we present codes information with a population of units, and it can be applied to discriminate between several spatiotemporal sequences. The implementation of this classification technique strongly depends on how the the connection weights are set according to the sequence we want to code. This “learning” phase depends on several parameters, for which we present a detailed analysis in this work. In the first part, we give some examples and we retrieve the model parameters in 1D by extending other existing studies. Later on we extend the analysis into 2D, proposing at the end of the report a strategy to code any given spatiotemporal sequence that can be described as a set local spatiotemporal trajectories. The derivation of parameters is performed analytically and numerical simulations are performed to verify our results. Key-words: neural fields, pattern classification, dynamical systems, computational neuroscience, spatiotemporal sequences. ∗ Université Henri Poincaré (UHP), LORIA, Cortex Project, Nancy, France; [email protected]. in ria -0 05 66 16 6, v er si on 1 15 F eb 2 01 1 Codage de motifs spatiotemporels par Champs neuronaux: Estimation optimale des paramètres Résumé : Dans ce rapport nous présentons l’optimisation du paramétrage d’un modéle distribué de discrimination de séquences temporelles. Le modèle que nous présentons code l’information au moyen d’une population d’unités, et il peut être appliqué à la discrimination de plusieurs séquences spatio-temporelles. L’implantation de cette technique de discrimination dépend fortement de la façon dont les poids de connexion sont fixés en fonction de la séquence que nous voulons coder. Cette phase d’apprentissage dépend de plusieurs paramètres, pour lesquels ce rapport présente une analyse détaillée. Dans la première partie, nous donnons quelques exemples et nous montrons comment déduire les paramètres du modèle dans sa forme 1D à partir d’autres travaux existants. Ensuite nous étendons l’analyse au cas 2D, en proposant à la fin du rapport une stratégie pour coder n’importe quelle séquence temporelle pouvant être décrite comme un ensemble de trajectoires spatio-temporelles locales. Les paramètres sont déterminés analytiquement et des simultations numériques sont réalisées pour vérifier nos résultats. Mots-clés : champs neuronaux, reconnaissance de motifs, systémes dynamique, neuroscience computationnelle, séquences spatio-temporelles in ria -0 05 66 16 6, v er si on 1 15 F eb 2 01 1 Optimal parameter estimation 3