Nature Neuroscience
无限隐半马尔可夫模型揭示学习过程的复杂性

小赛推荐：

该研究提出了一种动态无限隐半马尔可、夫模型，能够系统解析学习过程中行为状态的阶段性演变，适用于多阶段行为建模与个性化学习路径分析。

 

文献概述

本文《Infinite hidden Markov models can dissect the complexities of learning》，发表于Nature Neuroscience杂志，回顾并总结了134只小鼠在学习对比检测任务时的行为数据，并提出了一种动态无限隐半马尔可夫模型来解析学习过程中行为状态的变化。该模型不仅能够引入新的状态，还能追踪现有状态的缓慢演化，从而全面描述学习过程中的行为多样性。

背景知识

在学习过程中，个体表现出显著的异质性，行为变化既包含突发性的跃迁，也包含渐进式的适应，这使得传统的单一状态模型难以全面刻画行为动态。此前，研究通常关注任务掌握后的行为适应，而忽视初始学习阶段的复杂性。本研究通过大规模数据采集，利用国际脑实验室（IBL）的行为数据，提出了一个灵活的模型，可以有效捕捉学习过程中的阶段性变化。该模型不仅适用于行为分析，还可能用于神经活动追踪，以揭示学习相关神经机制。

 

提供标准化和可重复的小鼠决策行为测量服务，支持多阶段行为分析与神经机制研究。

了解更多

 

研究方法与实验

研究团队使用无限隐半马尔可夫模型（diHMM）对小鼠在对比检测任务中的行为进行建模。模型包含三种主要扩展：非参数状态数量、状态权重的跨会话动态变化以及半马尔可夫状态持续时间分布。模型通过贝叶斯推理与马尔可夫链蒙特卡洛（MCMC）方法，实现对行为状态的推断。研究分析了134只小鼠的3000多个训练会话，共计190万次试验，揭示了学习过程中的阶段性行为变化。

关键结论与观点

• 学习过程可划分为三个阶段：初始阶段（flat PMF）、单侧理解（asymmetric PMF）和全面掌握（symmetric PMF）。
• 行为状态的引入通常发生在会话开始阶段，且状态的重用和演化反映了学习的阶段性跳跃与渐进适应。
• 个体差异显著，学习阶段的持续时间和状态数量均不一致，但最终阶段（stage 3）占主导地位。
• 新状态的引入通常伴随行为性能的突变，而现有状态的缓慢演化则反映渐进式学习。
• 模型可推广至其他学习或行为演化研究，如衰老过程中的认知变化或神经可塑性研究。

研究意义与展望

该模型为解析学习过程中的行为转变提供了新的工具，尤其在学习曲线稀疏且个体差异显著的情况下，能够有效捕捉行为状态的动态变化。未来研究可结合神经活动数据，进一步揭示学习阶段转换的神经基础。此外，模型的灵活性使其适用于不同实验范式，如决策任务、运动学习和认知老化研究，具有广泛的应用潜力。

 

提供基于隐马尔可夫模型的小鼠行为分析服务，支持学习曲线、决策策略与神经机制研究。

了解更多

 

结语

本文介绍的动态无限隐半马尔可夫模型（diHMM）成功捕捉了小鼠学习过程中行为的阶段性与渐进性变化。通过状态引入与演化追踪，该模型不仅揭示了学习过程的阶段性特征，还展示了个体差异的复杂性。这种建模方法为行为神经科学提供了一种新的分析框架，有助于深入研究学习与适应的神经机制，并为其他认知与行为演化研究提供了可扩展的工具。

 

Sebastian A Bruijns, International Brain Laboratory, Kcénia Bougrova, Anne E Urai, and Peter Dayan. Infinite hidden Markov models can dissect the complexities of learning. Nature Neuroscience.