[論文レビュー] A Spatiotemporal Dynamic Solution to the MEG Inverse Problem: An Empirical Bayes Approach

Camilo Lamus, Matti Hämäläinen+3 more|arXiv (Cornell University)|Nov 16, 2015

Functional Brain Connectivity Studies参考文献 69被引用数 32

ひとこと要約

本稿では、近隣自己回帰を用いた実証的ベイズアプローチに基づき、皮質活動をモデル化するための時空間的動的逆問題解法を提案する。dMAP-EMアルゴリズムは、カルマンフィルタリングと固定区間スムージングを統合することで、過去および未来のデータを統合し、静的手法と比較して、数千のソースと数百のセンサーを持つシミュレート済みデータおよびヒト被験者データにおいて顕著な性能向上を達成する。

ABSTRACT

MEG/EEG are non-invasive imaging techniques that record brain activity with high temporal resolution. However, estimation of brain source currents from surface recordings requires solving an ill-posed inverse problem. Converging lines of evidence in neuroscience, from neuronal network models to resting-state imaging and neurophysiology, suggest that cortical activation is a distributed spatiotemporal dynamic process, supported by both local and long-distance neuroanatomic connections. Because spatiotemporal dynamics of this kind are central to brain physiology, inverse solutions could be improved by incorporating models of these dynamics. In this article, we present a model for cortical activity based on nearest-neighbor autoregression that incorporates local spatiotemporal interactions between distributed sources in a manner consistent with neurophysiology and neuroanatomy. We develop a dynamic Maximum a Posteriori Expectation-Maximization (dMAP-EM) source localization algorithm for estimation of cortical sources and model parameters based on the Kalman Filter, the Fixed Interval Smoother, and the EM algorithms. We apply the dMAP-EM algorithm to simulated experiments as well as to human experimental data. Furthermore, we derive expressions to relate our dynamic estimation formulas to those of standard static models, and show how dynamic methods optimally assimilate past and future data. Our results establish the feasibility of spatiotemporal dynamic estimation in large-scale distributed source spaces with several thousand source locations and hundreds of sensors, with resulting inverse solutions that provide substantial performance improvements over static methods.

研究の動機と目的

• 神経生理学的に妥当な皮質活動の時空間的ダイナミクスを組み込むことで、MEG逆問題の不適切な定式化を解消すること。
• 静的で時間に依存しない仮定を越えて、過去および未来のデータを統合する動的ソース推定フレームワークの開発。
• 近隣自己回帰を用いて局所的および遠隔的な神経解剖学的結合をモデル化することで、MEGソース局在化の空間的・時間的分解能の向上。
• 実証的ベイズによるパrameter推定を用いた効率的なベイズ推論により、数千のソースを含む大規模分散ソース空間におけるスケーラブルな推定を可能にすること。

提案手法

• 神経解剖学および神経生理学的妥当性を満たす、皮質電流の時空間的ダイナミクスを表現する近隣自己回帰モデルを提案。
• カルマンフィルタリング、固定区間スムージング、およびEMアルゴリズムを統合した、動的最尤後確率推定（dMAP-EM）アルゴリズムを開発。
• マクスウェル方程式の準静的近似を用いて、皮質電流源とセンサー測定値との間の線形前方モデルを定式化。
• データからソース共分散行列のハイパーパrameterを推定する実証的ベイズを適用し、データ駆動型正則化を実現。
• 動的推定と標準的静的手法（例：MNE、カルマンフィルタ）との間の解析的関係を導出。これにより、動的手法が時間的文脈を最適に統合できることを示す。
• 時間に依存しない自己回帰構造を用いて時系列間の時間的依存性をモデル化。効率的な計算のため、状態空間形式を採用。

実験結果

リサーチクエスチョン

• RQ1 時空間的ダイナミクスをMEG逆問題解法に組み込むことで、静的手法と比較してソース局在化の正確性が向上するか？
• RQ2 固定区間スムージングによる過去および未来のデータ統合が、動的ソース局在化の推定性能をどのように向上させるか？
• RQ3 近隣自己回帰モデルが、MEGソース局在化において生物学的に妥当な皮質ダイナミクスをどれほど正確に捉えることができるか？
• RQ4 dMAP-EMアルゴリズムが、数千のソースと数百のセンサーを持つ大規模分散ソース空間を効率的に処理できるか？
• RQ5 動的推定は、最小ノルム推定やカルマンフィルタといった標準的静的手法と比較して、代数的および実験的にどのように異なるか？

主な発見

• dMAP-EMアルゴリズムは、シミュレート済みデータおよびヒト被験者MEGデータの両方において、静的手法と比較して顕著な性能向上を達成しており、特に空間的に拡張されたおよび時間的に変化する神経活動の解像に優れている。
• 固定区間スムージング推定（過去および未来のデータを両方使用）は、過去のデータのみを用いるカルマンフィルタや、時間的文脈を一切使用しないMNEと比較して優れた性能を示し、時間的文脈統合の利点を裏付けている。
• 本手法は、約5,000個の双極子ソースと200時間ポイントを含む大規模ソース空間を効果的に処理でき、実際のヒトMEG実験への実用的応用を可能にしている。
• 理論的導出により、固定区間スムージングのような動的手法が、共有事前分布を通じて時間的構造を統合することで、静的手法を一般化・改善できることを示している。
• 受信器特性曲線（ROC曲線）分析により、動的手法が静的代替手法と比較して、より高い検出率および低い誤報率を達成しており、真のソース活性化に対する感受性が向上していることが確認された。
• 実証的ベイズアプローチにより、任意または固定の正則化パrameterに依存せず、データから直接ハイパーパrameterを推定するロバストな推定が可能となった。