[論文レビュー] Estimating the intrinsic dimension in fMRI space via dataset fractal analysis - Counting the `cpu cores' of the human brain

Harris Georgiou|arXiv (Cornell University)|Oct 27, 2014

Blind Source Separation Techniques参考文献 37被引用数 4

ひとこと要約

本研究では、フラクタル解析とICAを用いてfMRIデータの固有次元を推定するデータ駆動型アプローチを提案し、視運動タスク中のヒトの脳活動が約50–60の独立した並列処理プロセス（『CPUコア』に類似）を含むのに対し、視覚認識タスクではそのようなプロセスが少ないことを明らかにした。

ABSTRACT

Functional Magnetic Resonance Imaging (fMRI) is a powerful non-invasive tool for localizing and analyzing brain activity. This study focuses on one very important aspect of the functional properties of human brain, specifically the estimation of the level of parallelism when performing complex cognitive tasks. Using fMRI as the main modality, the human brain activity is investigated through a purely data-driven signal processing and dimensionality analysis approach. Specifically, the fMRI signal is treated as a multi-dimensional data space and its intrinsic `complexity' is studied via dataset fractal analysis and blind-source separation (BSS) methods. One simulated and two real fMRI datasets are used in combination with Independent Component Analysis (ICA) and fractal analysis for estimating the intrinsic (true) dimensionality, in order to provide data-driven experimental evidence on the number of independent brain processes that run in parallel when visual or visuo-motor tasks are performed. Although this number is can not be defined as a strict threshold but rather as a continuous range, when a specific activation level is defined, a corresponding number of parallel processes or the casual equivalent of `cpu cores' can be detected in normal human brain activity.

研究の動機と目的

• fMRIデータを用いて、認知的タスク中にヒトの脳で機能的並列処理がどの程度発揮されているかを推定すること。
• 独立した脳プロセスの数が固定しきい値ではなく連続的な範囲として定量化可能かどうかを調査すること。
• データセットのフラクタル解析と盲目的源分離（ICA）を適用し、fMRI信号空間の真の次元を解明すること。
• 視覚的および視運動的タスク中にアクティブで独立した機能的脳ネットワークがいくつ存在するかを、データ駆動型の証拠で提示すること。
• ヒトの脳機能を模倣するための最小限の並列処理能力を推定することで、脳にインspiredされたコンピューティングに知見を提供すること。

提案手法

• fMRI信号をボクセルおよび時間点における脳活動を表す多次元データ空間として扱う。
• 独立成分分析（ICA）を適用し、盲目的源分離を実行し、統計的に独立した脳活動成分を分離する。
• データセットのフラクタル解析を用いて、パrametric仮定に依存しないfMRIデータ空間の固有次元を推定する。
• 平滑化されていないfMRIデータを分析することで、次元推定の過程で情報損失が生じるのを防ぎ、生の信号複雑性を保持する。
• シミュレートされたfMRIデータセットと実際のfMRIデータセット（例：ds101およびds105）の間でフラクタル次元（FD）推定値を比較し、機能的複雑性を評価する。
• ICA分解における限界利得の点を特定し、アクティブで独立した認知的プロセスの有効数を決定する。

実験結果

リサーチクエスチョン

• RQ1 フラクタル解析を用いて推定した場合、視覚的および視運動的タスク中のfMRIデータの固有次元はそれぞれどのようになるか？
• RQ2 視運動タスクと視覚認識タスクの間で、独立した脳プロセスの数（『CPUコア』として解釈される）にはどのような差があるか？
• RQ3 フラクタル次元推定は、fMRIデータにおける機能的複雑性を信頼性高く非パラメトリックに測定可能か？
• RQ4 ICA成分をさらに追加しても信号再構成の改善がわずかにしか得られなくなるのはどの段階か。これは、アクティブなプロセスの有効数を示している。
• RQ5 独立した脳プロセスの数が離散的しきい値ではなく、連続的な範囲としてモデル化できる程度はどの程度か？

主な発見

• フラクタル次元（FD）は、視運動タスク（ds101）のfMRIデータにおいて、視覚認識タスク（ds105）よりも高いことが判明し、より高い機能的複雑性を示している。
• 視運動タスク中の独立した脳プロセスの推定数は50～60の間であり、高いが限定的な機能的並列処理レベルを示している。
• 運動反応を伴わない視覚認識タスクでは、独立したプロセスの数が顕著に低く、認知的負荷とネットワーク参加の低下を反映している。
• フラクタル解析による固有次元推定値は、ICA分解における意味のある非アーチファクト成分の数と相関している。
• 有効な機能的『CPUコア』の数は固定しきい値ではなく、連続的な範囲であり、50～60成分を超えると利得が著しく減少する。
• 平滑化されていないfMRIデータは、フラクタル手法による固有次元の信頼性ある推定に十分な信号複雑性を保持している。