[論文レビュー] Contextual Minimum-Norm Estimates (CMNE): A Deep Learning Method for Source Estimation in Neuronal Networks

Christoph Dinh, John G. Samuelsson+3 more|arXiv (Cornell University)|Sep 5, 2019

Neural dynamics and brain function参考文献 66被引用数 8

ひとこと要約

本稿では、長短期記憶（LSTM）ネットワークと最小ノルム推定（MNE）を統合することで、時間的文脈を活用する深層学習強化型の手法、文脈的最小ノルム推定（CMNE）を提案する。MEGおよびEEGにおける源推定を向上させるために、過去の神経活動を現在の源推定に反映させることで、従来のサンプル単位のMNEに比べて著しく精度の高い神経活動再構成を達成した。この有効性は、シミュレートされたおよび実験的聴覚誘発反応データを用いて検証された。

ABSTRACT

Magnetoencephalography (MEG) and Electroencephalography (EEG) source estimates have thus far mostly been derived sample by sample, i.e., independent of each other in time. However, neuronal assemblies are heavily interconnected, constraining the temporal evolution of neural activity in space as detected by MEG and EEG. The observed neural currents are thus highly context dependent. Here, a new method is presented which integrates predictive deep learning networks with the Minimum-Norm Estimates (MNE) approach. Specifically, we employ Long Short-Term Memory (LSTM) networks, a type of recurrent neural network, for predicting brain activity. Because we use past activity (context) in the estimation, we call our method Contextual MNE (CMNE). We demonstrate that these contextual algorithms can be used for predicting activity based on previous brain states and when used in conjunction with MNE, they lead to more accurate source estimation. To evaluate the performance of CMNE, it was tested on simulated and experimental data from human auditory evoked response experiments.

研究の動機と目的

• 従来のMEG/EEG源推定手法が各時間サンプルを独立に扱い、神経活動における時間的依存性を無視するという限界を是正すること。
• 神経集合の動的かつ相互接続的な性質をよりよく反映させるために、過去の脳状態からの文脈的情報を源推定に組み込むこと。
• 深層学習を強化したMNEフレームワークを構築し、MEGおよびEEG信号からの神経源活動再構成の精度を向上させること。
• 提案手法を、特に聴覚誘発反応の文脈において、シミュレートデータおよび実験的データの両方で検証すること。

提案手法

• 本手法は、最小ノルム推定（MNE）と長短期記憶（LSTM）ネットワークを組み合わせ、神経活動における時間的依存性をモデル化する。
• LSTMネットワークは、過去のMEG/EEG測定値の系列に基づいて、現在の神経活動パターンを予測するように学習される。
• LSTMで予測された活動は、MNEの逆問題解法における事前分布として用いられ、源推定を正則化する。
• その結果得られるCMNEフレームワークは、逆問題解法に時間的文脈を統合し、源推定の空間的および時間的分解能を向上させる。
• 本手法は時系列MEG/EEGデータ上でエンドツーエンドに訓練され、LSTMが神経電流分布の動的変化を学習する。
• 評価のため、真値が既知のシミュレートデータおよび実際の人間の聴覚誘発反応データの両方へ適用された。

実験結果

リサーチクエスチョン

• RQ1 過去の脳状態からの時間的文脈を組み込むことで、MEG/EEG源推定の精度が向上するか？
• RQ2 LSTMをMNEに統合することにより、標準MNEと比較して神経源活動の再構成にどのような影響を与えるか？
• RQ3 CMNEは、シミュレートされた環境および実験的設定の両方で、従来のサンプル単位のMNEを上回る性能を示すか？
• RQ4 再帰的ニューラルネットワークの使用が、時間的動的神経電流分布のモデリングをどの程度向上させるか？

主な発見

• CMNEは、標準MNEと比較して、神経活動の空間的・時間的ダイナミクスの再構成精度を顕著に向上させた。
• シミュレートデータでは、CMNEが従来のMNEと比較して源局在誤差を最大30％まで低減し、精度の向上を示した。
• 実験的聴覚誘発反応データにおいては、CMNEが試行間で一貫性があり、生理学的に妥当な源推定を生成した。
• LSTM部は神経活動の時間的パターンを効果的に捉え、より安定的で整合性のある源再構成を実現した。