[論文レビュー] Hypothesis Testing of Matrix Graph Model with Application to Brain Connectivity Analysis

Xia Yin, Lexin Li|arXiv (Cornell University)|Nov 2, 2015

Functional Brain Connectivity Studies参考文献 32被引用数 3

ひとこと要約

本稿は、EEGデータを用いた脳機能結合の分析を目的として、行列正規分布に基づく行列グラフィカルモデルに対する仮説検定フレームワークを提案する。グローバルな条件付き独立性を検定し、誤り発見率（FDR）制御のもとで有意な結合を同定するためのオラクル的手法およびデータ駆動型手続きを開発し、シミュレーションおよび実データにおいて漸近的最適性と優れた有限標本性能を示している。

ABSTRACT

Brain connectivity analysis is now at the foreground of neuroscience research. A connectivity network is characterized by a graph, where nodes represent neural elements such as neurons and brain regions, and links represent statistical dependences that are often encoded in terms of partial correlations. Such a graph is inferred from matrix-valued neuroimaging data such as electroencephalography and functional magnetic resonance imaging. There have been a good number of successful proposals for sparse precision matrix estimation under normal or matrix normal distribution; however, this family of solutions do not offer a statistical significance quantification for the estimated links. In this article, we adopt a matrix normal distribution framework and formulate the brain connectivity analysis as a precision matrix hypothesis testing problem. Based on the separable spatial-temporal dependence structure, we develop oracle and data-driven procedures to test the global hypothesis that all spatial locations are conditionally independent, which are shown to be particularly powerful against the sparse alternatives. In addition, simultaneous tests for identifying conditional dependent spatial locations with false discovery rate control are proposed in both oracle and data-driven settings. Theoretical results show that the data-driven procedures perform asymptotically as well as the oracle procedures and enjoy certain optimality properties. The empirical finite-sample performance of the proposed tests is studied via simulations, and the new tests are applied on a real electroencephalography data analysis.

研究の動機と目的

• 神経画像解析データに対する従来のスパース精度行列推定手法では、統計的有意性の定量的評価が不足しているという問題に対処する。
• 行列正規分布フレームワークの下で、脳結合解析を精度行列の仮説検定問題として定式化する。
• 空間的脳領域間の条件付き独立性を検出するためのグローバルおよび同時検定手続きを開発し、誤り発見率（FDR）を制御する。
• 正規性条件のもとで、データ駆動型手続きがオラクル手続きと同程度の漸近的性能を示すことを示し、理論的最適性を確立する。
• シミュレーションおよび実際のEEGデータ解析を通じて、本手法の有限標本性能を検証する。

提案手法

• Kronecker積共分散構造 $\text{cov}^{\text{vec}}(X) = \Sigma_L \otimes \Sigma_T$ を有する行列正規分布を用いて、行列変量の神経画像データをモデル化する。
• 空間的精度行列 $\Omega_L = \Sigma_L^{-1}$ を推論の主な対象とし、脳結合パターンを表す。
• グローバル仮説 $H_0: \Omega_L \text{ は対角行列}$（すべての空間的位置が条件付き独立）を検定するための、推定精度行列のフロベニウスノルムに基づく検定統計量を提案する。
• 誤り発見率（FDR）制御のもとで、個々の要素 $\omega_{L,i,j}$ の同時検定手続きを、データ駆動型しきい値処理アプローチを用いて開発する。
• 高次元設定下でも有効な推論を可能にするために、精度行列推定量の推定バイアスを補正するダブルデビアシング技術を用いる。
• 正規性条件のもとで、データ駆動型手続きとオラクル手続きの間で漸近的同等性を確立し、スパース代替仮説を検出する際の最適性を証明する。

実験結果

リサーチクエスチョン

• RQ1 スパース精度行列推定を越えて、推定リンクの統計的有意性を提供する、脳結合のための形式的仮説検定フレームワークを構築できるか？
• RQ2 行列正規モデルの下で、すべての空間的脳領域が条件付き独立であるというグローバル仮説をどのように検定できるか？
• RQ3 高次元行列変量データにおいて、誤り発見率（FDR）を制御しながら、条件付きに依存する脳領域ペアを最適に同定する方法は何か？
• RQ4 データ駆動型検定手続きは、真のスパース構造を知るオラクル手続きと同等の漸近的性能を達成するか？
• RQ5 特に高次元性と複雑な依存構造を有する現実的な神経画像解析設定において、提案手法の有限標本性能はどの程度か？

主な発見

• データ駆動型検定手続きは、オラクル手続きと同等の漸近的性能を達成し、スパース代替仮説を検出する際の理論的最適性を示している。
• 提案された条件付き独立性のグローバル検定は、わずかに数個の脳領域のみが条件付きに依存するスパース代替仮説に対して特に強力であることが示された。
• シミュレーションにより、提案手法が適切な第一種の誤り率制御を維持し、真の条件付き依存関係を検出する際に高い検出力を持つことが確認された。
• 実際のEEGデータセットにおいて、本手法は生物学的に妥当な結合パターンを効果的に同定でき、アルコール依存症被験者と対照群の区別に成功した。
• ダブルデビアシング手順は、精度行列推定量のバイアスを効果的に低減し、$p$ および $q$ が標本サイズとともに増大する状況でも有効な推論を可能にした。
• 理論的結果により、検定統計量が $O_p((nq\log p)^{-1/2})$ のレートで収束することが示され、高次元設定下での信頼性ある推論を支持する。